ML.NET

Conçu pour les développeurs .NET

Avec ML.NET, vous pouvez utiliser vos compétences .NET existantes pour intégrer facilement ML dans vos applications .NET sans aucune expérience préalable en ML.

ML personnalisé simplifié avec AutoML

ML.NET propose AutoML et des outils productifs pour vous aider à créer, former et déployer facilement des modèles ML personnalisés de haute qualité.

Étendu avec TensorFlow & plus

ML.NET vous permet d’utiliser d’autres bibliothèques ML populaires, telles que Infer.NET, TensorFlow et ONNX pour les scénarios ML supplémentaires.

Fiable et éprouvé à grande échelle

Utilisez le même framework ML utilisé par les produits Microsoft reconnus tels que Power BI, Microsoft Defender, Outlook et Bing.

C#
F#

//Step 1. Create an ML Context
var ctx = new MLContext();

//Step 2. Read in the input data from a text file for model training
IDataView trainingData = ctx.Data
    .LoadFromTextFile<ModelInput>(dataPath, hasHeader: true);

//Step 3. Build your data processing and training pipeline
var pipeline = ctx.Transforms.Text
    .FeaturizeText("Features", nameof(SentimentIssue.Text))
    .Append(ctx.BinaryClassification.Trainers
        .LbfgsLogisticRegression("Label", "Features"));

//Step 4. Train your model
ITransformer trainedModel = pipeline.Fit(trainingData);

//Step 5. Make predictions using your trained model
var predictionEngine = ctx.Model
    .CreatePredictionEngine<ModelInput, ModelOutput>(trainedModel);

var sampleStatement = new ModelInput() { Text = "This is a horrible movie" };

var prediction = predictionEngine.Predict(sampleStatement);

//Step 1. Create an ML Context
let ctx = MLContext()

//Step 2. Read in the input data from a text file
let trainingData = ctx.Data.LoadFromTextFile<ModelInput>(dataPath, hasHeader=true)

//Step 3. Build your data processing and training pipeline
let scope = ctx.BinaryClassification.Trainers.LbfgsLogisticRegression("Label", "Features")
let pipeline = ctx.Transforms.Text.FeaturizeText("Features", "Text").Append(scope)

//Step 4. Train your model
let trainedModel = pipeline.Fit(trainingData)

//Step 5. Make predictions using your model
let predictionEngine = ctx.Model.CreatePredictionEngine<ModelInput, ModelOutput>(trainedModel)

let sampleStatement = { Label = false; Text = "This is a horrible movie" }

let prediction = predictionEngine.Predict(sampleStatement)

Conçu pour les développeurs .NET

Avec ML.NET, vous pouvez créer des modèles ML personnalisés à l'aide de C# ou F# sans avoir à quitter l'écosystème .NET.

ML.NET vous permet de réutiliser toutes les connaissances, compétences, code et bibliothèques dont vous disposez déjà en tant que développeur .NET afin de pouvoir facilement intégrer le Machine Learning à vos applications web, mobiles, de bureau, de jeux et IoT.

Approfondir : qu’est-ce que ML.NET ?

Analyse des sentiments

Analysez le sentiment des avis des clients à l’aide d’un algorithme de classification binaire.

Recommandation de produit

Recommandez des produits basés sur l’historique des achats à l’aide d’un algorithme de factorisation de matrice.

Prédiction de prix

Prédire les tarifs des taxis en fonction de paramètres tels que la distance parcourue à l’aide d’un algorithme de régression.

Segmentation du client

Identifiez des groupes de clients avec des profils similaires à l'aide d'un algorithme de clustering.

Détection d'objet

Reconnaître des objets dans une image à l’aide d’un modèle d’apprentissage profond ONNX.

Détection des fraudes

Détectez les transactions frauduleuses par carte de crédit à l’aide d’un algorithme de classification binaire.

Détection des pics de ventes

Détectez les pics et les variations dans les ventes de produits à l’aide d’un modèle de détection d’anomalies.

Classification d'images

Classifier des images (par exemple, brocoli et pizza) à l’aide d’un modèle d’apprentissage profond TensorFlow.

Prévisions de ventes

Prévision des ventes futures pour les produits à l’aide d’un algorithme de régression.

Vous pouvez trouver d’autres exemples de ML.NET sur GitHub, ou jeter un coup d’œil au tutoriels ML.NET.

ML personnalisé simplifié avec AutoML

ML.NET offre Model Builder (outil d’interface utilisateur simple) et ML.NET CLI pour faciliter la création de modèles ML personnalisés.

Ces outils utilisent le ML automatisé (AutoML), une technologie de pointe qui automatise le processus de création de modèles les plus performants pour votre scénario de Machine Learning. Il vous suffit de charger vos données et AutoML s’occupe du reste du processus de génération de modèle.

Explorer ML.NET Model Builder

Model Builder
Ligne de commande

ML.NET Model Builder fournit une interface visuelle pour la création de modèles Machine Learning dans Visual Studio.

ML.NET a détecté deux chiens sur la photo, en utilisant ONNX

ML.NET a détecté un homme et un vélo sur la photo, en utilisant ONNX

ML.NET détecté un bateau dans la photo à l’aide de ONNX

ML.NET a détecté une voiture et trois personnes dans la photo, à l’aide de ONNX

ML.NET détecté une TV, une bouteille d’eau et une chaise dans la photo, à l’aide de ONNX

ML.NET a détecté une plante en pot et un canapé sur la photo, à l’aide de ONNX

Afficher l’exemple de code sur GitHub

Étendu avec TensorFlow & plus

ML.NET a été conçu comme une plate-forme extensible afin que vous puissiez utiliser d'autres frameworks ML populaires (TensorFlow, ONNX, Infer.NET, etc.) et avoir accès à encore plus de scénarios d'apprentissage automatique, comme la classification d'images, la détection d'objets, etc. .

Données provenant d’un documentMachine Learning chez Microsoft avec ML.NET. Résultats de l’analyse des sentiments, à l’aide de ~ 900 Mo d’un jeu de données de revue Amazon. Une précision supérieure et un runtime inférieur sont meilleurs.

Hautes performances et précision

À l’aide d’un jeu de données de révision Amazon de 9 Go, ML.NET a entraîné un modèle d’analyse des sentiments avec une précision de 95 %. D’autres frameworks Machine Learning populaires n’ont pas pu traiter le jeu de données en raison d’erreurs de mémoire. L’entraînement sur 10 % du jeu de données, pour permettre à tous les frameworks d’effectuer l’entraînement, ML.NET a montré la vitesse et la précision les plus élevées.

L’évaluation des performances a trouvé des résultats similaires dans d’autres scénarios machine learning, notamment une prédiction de taux de clic et une prédiction de délai de vol.

Lire le document sur les performances ML.NET