Tutoriel ML.NET – Démarrage en 10 minutes

Intro

Objectif

Installez l’interface CLI ML.NET, puis entraînez et utilisez votre premier modèle Machine Learning avec ML.NET.

Prérequis

macOS 12.0 ou versions ultérieures.

Durée d’exécution

10 minutes + temps de téléchargement/d'installation

Scénario

Application qui peut prédire si le texte des avis des clients est négatif ou positif.

Télécharger et installer

Télécharger et installer Visual Studio 2022.

Télécharger Visual Studio 2022

Lors de l'installation, la charge de travail .NET desktop development doit être sélectionnée avec le composant ML.NET Model Builder facultatif. L'utilisation du lien ci-dessus doit présélectionner correctement tous les prérequis, comme indiqué sur l'image suivante :

Vous avez déjà Visual Studio 2022 ?

Si vous avez déjà Visual Studio 2022, vérifiez qu’il est à jour et que la charge de travail requise est installée :

Sélectionnez la touche Windows, tapez Visual Studio Installer, puis appuyez sur Entrée.
Si vous y êtes invité, autorisez le programme d’installation à se mettre à jour lui-même.
Si une mise à jour pour Visual Studio 2022 est disponible, un bouton Mettre à jour est affiché. Sélectionnez-le pour effectuer la mise à jour avant de modifier l’installation. Nous vous recommandons d’utiliser la dernière version de Visual Studio 2022 pour ce didacticiel.
Recherchez votre installation Visual Studio 2022 et sélectionnez le bouton Modifier.
Sélectionnez développement de bureau.NET et vérifiez que ML.NET Model Builder est sélectionné dans le volet droit. Sélectionnez le bouton Modifier.

Mettre à niveau vers la dernière version de Model Builder

Une fois que vous avez activé ML.NET Model Builder dans Visual Studio, téléchargez et installez la dernière version.

Téléchargez la dernière version de Model Builder

Après le téléchargement, installez l'extension en double-cliquant sur le fichier .vsix.

Vérifier les mises à jour de Visual Studio

Ce didacticiel est optimisé pour la dernière version de Visual Studio. Si vous avez déjà Visual Studio 2022, vous pouvez rechercher les mises à jour :

Sélectionnez la touche Windows, tapez Visual Studio Installer, puis appuyez sur Entrée.
Si vous y êtes invité, autorisez le programme d’installation à se mettre à jour lui-même.
Si une mise à jour est disponible, votre installation de Visual Studio 2022 aura un bouton Mettre à jour. Sélectionnez-le pour mettre à jour.

Installer le SDK .NET

Pour générer des applications .NET, vous devez télécharger et installer le Kit de développement logiciel (SDK) .NET 8.

Télécharger le Kit de développement logiciel (SDK) .NET 8 x64 (Intel)
Télécharger le Kit de développement logiciel (SDK) .NET 8 Arm64 (Apple Silicon)

Si vous utilisez un Mac équipé d'une puce Apple M1 ou M2, vous devez installer la version Arm64 du SDK.

Installer ML.NET CLI

L'interface de ligne de commande (CLI) ML.NET fournit des outils pour créer des modèles d'apprentissage automatique avec ML.NET.

Remarque : Actuellement, ML.NET CLI est en préversion et prend uniquement en charge la dernière version LTS du Kit de développement logiciel (SDK) .NET (.NET 8).

Pour les étapes d'installation, nous vous recommandons d'utiliser une console Bash. Étant donné que la valeur par défaut pour macOS est une console zsh, vous pouvez créer une instance unique en ouvrant un nouveau terminal et en exécutant la commande ci-dessous.

Terminal

bash

POUR LES MACHINES x64 – Exécutez la commande suivante :

Terminal

dotnet tool install -g mlnet-osx-x64

POUR LES ARCHITECTURES DE PUCES ARM64 – Exécutez plutôt la commande suivante :

Terminal

dotnet tool install -g mlnet-osx-arm64

Si l’outil s’installe correctement, vous devriez voir un message de sortie où [arch] est l’architecture de puce similaire à ce qui suit :

Terminal

You can invoke the tool using the following command: mlnet
Tool 'mlnet-osx-[arch]' (version 'X.X.X') was successfully installed.

Remarque : Si vous utilisez une console autre que Bash (par exemple, zsh, qui est la nouvelle valeur par défaut pour macOS), vous devrez alors donner à mlnet l'exécutable autorisations et incluez mlnet dans le chemin du système. Des instructions sur la façon de procéder devraient apparaître dans le terminal lorsque vous installez mlnet (ou tout autre outil global). En général, la commande suivante devrait fonctionner pour la plupart des systèmes : chmod +x [PATH-TO-MLNET-CLI-EXECUTABLE]

Si vous voyez des instructions similaires à celle ci-dessous, exécutez-les dans votre terminal.

Terminal

cat << \EOF >> ~/.zprofile
#Add .NET Core SDK tools
export  PATH="$PATH:~/.dotnet/tools"
EOF

Vous pouvez également essayer d'utiliser la commande suivante pour exécuter l'outil mlnet :

Terminal

~/.dotnet/tools/mlnet

Si la commande génère toujours une erreur, utilisez le bouton J’ai rencontré un problème ci-dessous pour signaler le problème et obtenir de l’aide pour résoudre le problème.

Créez votre application

Dans votre terminal, exécutez les commandes suivantes :

Terminal

mkdir myMLApp
cd myMLApp

La commande mkdir crée un répertoire nommé myMLApp et la commande cd myMLApp vous place dans le répertoire d’applications nouvellement créé.

Votre code de formation de modèle sera généré dans les prochaines étapes.

Choisissez un scénario

Pour générer votre modèle, vous devez sélectionner votre scénario d'apprentissage automatique.

Plusieurs scénarios de ML sont pris en charge par l'interface de ligne de commande ML.NET :

Classification : utilisez cette option pour prédire les données de catégorie qui appartiennent (par exemple, l’analyse du sentiment des avis clients comme positifs ou négatifs).
Classification d'image : utilisez cette option lorsque vous souhaitez prédire à quelle catégorie appartient une image (par exemple, prédire si une image représente un chat ou un chien).
Regression (par exemple, prédiction de valeur) : utilisez cette option lorsque vous souhaitez prédire une valeur numérique (par exemple, la prédiction du prix des maisons).
Prévision - Utilisez cette option pour prévoir les valeurs futures d’une série chronologique (par exemple, prévoir les ventes mensuelles).
Recommendation : utilisez cette option lorsque vous souhaitez recommander des éléments aux utilisateurs en fonction des évaluations historiques (par exemple, une recommandation de produit).

Dans ce cas, vous allez prédire le sentiment en fonction du contenu (texte) des avis clients. Vous allez donc utiliser classification.

Télécharger et ajouter des données

Téléchargez les ensembles de données Sentiment Labelled Sentences à partir du référentiel d'apprentissage automatique UCI. Décompressez sentiment labelled sentences.zip et enregistrez le fichier yelp_labelled.txt dans le répertoire myMLApp.

Chaque ligne dans yelp_labelled.txt représente un avis différent sur un restaurant laissé par un utilisateur sur Yelp. La première colonne représente le commentaire laissé par l'utilisateur et la deuxième colonne représente le sentiment du texte (0 est négatif, 1 est positif). Les colonnes sont séparées par des tabulations et le jeu de données n'a pas d'en-tête. Les données ressemblent à ce qui suit :

yelp_labelled.txt

Wow... Loved this place.	        1
Crust is not good.	        0
Not tasty and the texture was just nasty.	        0

Entraîner votre modèle

Vous allez maintenant entraîner votre modèle avec l'ensemble de données yelp_labelled.txt.

Model Builder évalue de nombreux modèles avec différents algorithmes et paramètres en fonction de la durée d’apprentissage donnée pour générer le modèle le plus performant.

Modifiez le Temps d'entraînement, qui correspond au temps pendant lequel vous souhaitez que Model Builder explore divers modèles, à 60 secondes (vous pouvez essayer d'augmenter ce nombre si aucun modèle se trouvent après la formation) . Notez que pour les ensembles de données plus volumineux, le temps de formation sera plus long. Model Builder ajuste automatiquement le temps de formation en fonction de la taille de l'ensemble de données.
Vous pouvez mettre à jour l’indicateur de performance d’optimisation et les algorithmes utilisés dans les Options de formation avancées, mais cela n’est pas nécessaire pour cet exemple.
Sélectionnez Démarrer la formation pour démarrer le processus de formation. Une fois la formation démarrée, vous pouvez voir le temps restant.

Résultats d'entraînement

Une fois l’apprentissage terminé, vous pouvez afficher un résumé des résultats de la formation.

Meilleure précision macro : ceci vous montre la précision du meilleur modèle trouvé par Model Builder. Une précision plus élevée signifie que le modèle prédit plus correctement sur les données de test.
Meilleur modèle – Cela vous montre quel algorithme a le mieux fonctionné lors de l'exploration de Model Builder.
Temps d’entraînement : indique la durée totale consacrée à l’apprentissage/à l’exploration des modèles.
Modèles explorés (total) : affiche le nombre total de modèles explorés par Model Builder dans le temps donné.
Code-behind généré : ceci vous montre les noms des fichiers générés pour vous aider à utiliser le modèle ou à entraîner un nouveau modèle.

Si vous le souhaitez, vous pouvez afficher plus d’informations sur la session d’apprentissage dans la fenêtre sortie de Machine Learning.

Une fois l’entraînement du modèle terminé, accédez à l’étape Évaluation.

Dans votre terminal, exécutez la commande suivante (dans votre dossier myMLApp) :

Terminal

mlnet classification --dataset "yelp_labelled.txt" --label-col 1 --has-header false --name SentimentModel  --train-time 60

Que signifient ces commandes ?

La commande mlnet classification s’exécute ML.NET avec AutoML pour explorer de nombreuses itérations de modèles de classification dans la durée d’apprentissage donnée avec différentes combinaisons de transformations de données, d’algorithmes et d’options d’algorithme, puis choisit le modèle le plus performant.

--dataset: Vous avez choisi yelp_labelled.txt comme jeu de données (en interne, l’interface CLI fractionnera le jeu de données en jeux de données d’entraînement et de test).
--label-col: Vous devez spécifier la colonne cible que vous souhaitez prédire (ou l’étiquette). Dans ce cas, vous souhaitez prédire le sentiment dans la deuxième colonne (colonnes indexées zéro signifie qu’il s’agit de la colonne "1").
--has-header: Utilisez cette option pour spécifier si le jeu de données a un en-tête. Dans ce cas, le jeu de données n’a pas d’en-tête, il est donc faux.
--name: Utilisez cette option pour fournir un nom pour votre modèle Machine Learning et les ressources associées. Dans ce cas, toutes les ressources associées à ce modèle Machine Learning auront SentimentModel dans le nom.
--train-time: Vous devez également spécifier la durée pendant laquelle vous souhaitez que l’interface CLI ML.NET explore différents modèles. Dans ce cas, 60 secondes (vous pouvez essayer d’augmenter ce nombre si aucun modèle n’est trouvé après l’entraînement). Notez que pour les jeux de données plus volumineux, vous devez définir une durée d’entraînement plus longue.

Progression

Pendant que la CLI ML.NET explore différents modèles, elle affiche les données suivantes :

Commencez la formation : cette section présente chaque itération de modèle, y compris le formateur (algorithme) utilisé et les métriques d’évaluation pour cette itération.
Temps restant – Ceci et la barre de progression indiqueront combien de temps il reste dans le processus de formation en secondes.
Meilleur algorithme - indique l’algorithme qui a effectué les meilleures performances.
Meilleur score : cela vous montre les performances du meilleur modèle jusqu’à présent. Une plus grande précision signifie que le modèle a prédit plus correctement sur les données de test.

Si vous le souhaitez, vous pouvez afficher plus d'informations sur la session de formation dans le fichier journal généré par la CLI.

Évaluez votre modèle

Une fois que l’interface CLI ML.NET a sélectionné le meilleur modèle, elle affiche le résumé de la formation, qui vous indique un résumé du processus d’exploration, notamment le nombre de modèles explorés dans le délai d’apprentissage spécifié.

Principaux modèles

Alors que la CLI ML.NET génère du code pour le modèle le plus performant, elle affiche également les meilleurs modèles (jusqu'à 5) avec la plus grande précision trouvée dans le temps d'exploration donné. Il affiche plusieurs mesures d'évaluation pour ces meilleurs modèles, notamment l'AUC, l'AUPRC et le score F1. Pour plus d'informations, consultez les métriques ML.NET.

Générer le code

L’interface CLI ML.NET ajoute à la fois le modèle Machine Learning et le code pour l’entraînement et la consommation du modèle, ce qui inclut les éléments suivants :

Un nouveau répertoire appelé SentimentModel est créé contenant une application de console .NET qui inclut les fichiers suivants :
- Program.cs : ce fichier contient le code permettant d’exécuter le modèle.
- SentimentModel.consumption.cs : ce fichier contient les classes d'entrée et de sortie du modèle et une méthode Predict qui peut être utilisée pour la consommation du modèle.
- SentimentModel.mbconfig : ce fichier est un fichier JSON qui suit les configurations et les résultats de votre formation.
- SentimentModel.training.cs : ce fichier contient le pipeline d'entraînement (transformations de données, algorithme et paramètres d'algorithme) utilisé pour entraîner le modèle final.
- SentimentModel.zip : ce fichier est le modèle ML.NET formé, qui est un fichier zip sérialisé.

Pour essayer le modèle, vous pouvez exécuter l'application console pour prédire le sentiment d'une seule instruction avec le modèle.

Consommez votre modèle

L’interface CLI ML.NET a généré le modèle et le code entraînés pour vous. Vous pouvez donc l’utiliser dans les applications .NET (par exemple, votre application SentimentModel console) en suivant ces étapes :

Dans la ligne de commande, accédez au répertoire consumeModelApp.
Terminal
```
cd SentimentModel
```

Ouvrez le code Program.cs dans n’importe quel éditeur de code et inspectez le code. Le code doit ressembler à ce qui suit :

Program.cs

using System;

namespace SentimentModel.ConsoleApp
{
    class Program
    {
        static void Main(string[] args)
        {
            // Add input data
            SentimentModel.ModelInput sampleData = new SentimentModel.ModelInput()
            {
              Col0 = @"Wow... Loved this place."
            };

            // Make a single prediction on the sample data and print results
            var predictionResult = SentimentModel.Predict(sampleData);

            Console.WriteLine("Using model to make single prediction -- Comparing actual Col1 with predicted Col1 from sample data...\n\n");


            Console.WriteLine($"Col0: @{"Wow... Loved this place."}");
            Console.WriteLine($"Col1: {1F}");


            Console.WriteLine($"\n\nPredicted Col1: {predictionResult.PredictedLabel}\n\n");
            Console.WriteLine("=============== End of process, hit any key to finish ===============");
            Console.ReadKey();
        }
    }
}

Exécutez votre SentimentModel.ConsoleApp. Pour ce faire, exécutez la commande suivante dans le terminal (vérifiez que vous êtes dans le répertoire SentimentModel) :

Terminal

dotnet run

La sortie devrait ressembler à ceci :

Terminal

Using model to make single prediction -- Comparing actual Col1 with predicted Col1 from sample data...


Col0: Wow... Loved this place.
Col1: 1
Class                          Score
-----                          -----
1                              0.9651076
0                              0.034892436
=============== End of process, hit any key to finish ===============

Étapes suivantes

Félicitations, vous avez créé votre premier modèle Machine Learning avec l’interface CLI ML.NET !

Maintenant que vous avez utilisé l'interface de ligne de commande ML.NET pour la classification (en particulier l'analyse des sentiments), vous pouvez essayer d'autres scénarios. Essayez un scénario de régression (en particulier la prévision des prix) à l'aide de l'ensemble de données Taxi Fare pour continuer à créer des modèles ML.NET avec l'interface de ligne de commande ML.NET.

Télécharger le jeu de données Taxi Fare

ML.NET pour les débutants

Laissez Luis vous présenter le concept de l'apprentissage automatique et de l'IA, vous expliquer ce que vous pouvez en faire et vous guider sur la façon de démarrer avec OpenAI, Azure AI Services et ML.NET :

Vous pourriez aussi être intéressé par...

Documents de l’interface CLI ML.NET

En savoir plus sur ML.NET CLI

Exemples ML.NET

Explorer les exemples de ML.NET sur GitHub

Documents de développeur

Creusez plus loin avec la documentation de ML.NET

Didacticiel ML.NET - Démarrage en 10 minutes

Intro

Objectif

Prérequis

Durée d’exécution

Scénario

Télécharger et installer

Vous avez déjà Visual Studio 2022 ?

Mettre à niveau vers la dernière version de Model Builder

Vérifier les mises à jour de Visual Studio

Installer le SDK .NET

Installer ML.NET CLI

Créez votre application

Ajouter le Machine Learning

Choisissez un scénario

Télécharger et ajouter des données

Ajouter des données

Entraîner votre modèle

Résultats d'entraînement

Que signifient ces commandes ?

Progression

Évaluez votre modèle

Essayer votre modèle

Principaux modèles

Générer le code

Consommez votre modèle

Étapes suivantes

ML.NET pour les débutants

Guide de Model Builder

Exemples ML.NET

Documents de développeur

ML.NET pour les débutants

Documents de l’interface CLI ML.NET

Exemples ML.NET

Documents de développeur

Signaler un problème

Fournir des commentaires