ML.NET

Creato per sviluppatori .NET

Con ML.NET, puoi usare le competenze .NET esistenti per integrare facilmente ML nelle app .NET senza alcuna esperienza di Machine Learning precedente.

Machine Learning personalizzato semplificato con AutoML

ML.NET offre AutoML e strumenti produttivi per aiutarti a creare, addestrare e distribuire facilmente modelli di ML personalizzati di alta qualità.

Esteso con TensorFlow e altro ancora

ML.NET consente di sfruttare altre librerie di apprendimento automatico più diffuse come Infer.NET, TensorFlow e ONNX per scenari aggiuntivi di apprendimento automatico.

Affidabile e collaudato su larga scala

Usare lo stesso framework ML usato da prodotti Microsoft riconosciuti come Power BI, Microsoft Defender, Outlook e 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)

Creato per sviluppatori .NET

Con ML.NET, puoi creare modelli personalizzati di Machine Learning usando C# o F# senza dover uscire dall'ecosistema .NET.

ML.NET consente di riutilizzare tutte le conoscenze, le competenze, il codice e le librerie già in uso dagli sviluppatori .NET, per poter integrare facilmente il Machine Learning in app Web, per dispositivi mobili, desktop, giochi e IoT.

Approfondimenti: Informazioni su ML.NET

Analisi del sentiment

Analizza la valutazione delle recensioni dei clienti usando un algoritmo di classificazione binaria.

Raccomandazione sul prodotto

Prodotti consigliati in base alla cronologia degli acquisti usando un algoritmo di fattorizzazione della matrice.

Previsione dei prezzi

Prevedere tariffe taxi in base a parametri come distanza percorsa tramite un algoritmo di regressione.

Segmentazione cliente

Identifica i gruppi di clienti con profili simili usando un algoritmo di clustering.

Rilevamento oggetti

Riconosci gli oggetti in un'immagine usando un modello di Deep Learning ONNX.

Rilevamento di illeciti

Rilevare le transazioni fraudolente con carta di credito usando un algoritmo di classificazione binaria.

Rilevamento picchi di vendita

Rileva picchi e modifiche nelle vendite di prodotti usando un modello di rilevamento anomalie.

Classificazione immagini

Classificare le immagini , ad esempio broccoli e pizza, usando un modello di Deep Learning TensorFlow.

Previsione delle vendite

Previsione delle vendite future per i prodotti tramite un algoritmo di regressione.

È possibile trovare altri esempi ML.NET in GitHub o dare un'occhiata alleesercitazioni ML.NET.

Machine Learning personalizzato semplificato con AutoML

ML.NET offre Model Builder (un semplice strumento dell'interfaccia utente) e l’interfaccia della riga di comando (CLI) ML.NET per semplificare la compilazione di modelli di Machine Learning personalizzati.

Questi strumenti usano Machine Learning automatizzato (AutoML), una tecnologia all'avanguardia che automatizza il processo di compilazione di modelli con prestazioni ottimali per lo scenario di Machine Learning. Tutto quello che devi fare è caricare i dati e AutoML si occupa del resto del processo di compilazione del modello.

Esplora ML.NET Model Builder

Model Builder
Riga di comando

ML.NET Model Builder fornisce un'interfaccia visiva per la creazione di modelli di Machine Learning in Visual Studio.

ML.NET ha rilevato due cani nella foto, usando ONNX

ML.NET ha rilevato un uomo e una bicicletta nella foto, usando ONNX

ML.NET rilevato un barca nella foto, usando ONNX

ML.NET ha rilevato un'auto e tre persone nella foto, usando ONNX

ML.NET ha rilevato un televisore, una bottiglia d'acqua e una sedia nella foto, usando ONNX

ML.NET rilevato una pianta in vaso e un divano nella foto, usando ONNX

Visualizzare il codice di esempio in GitHub

Esteso con TensorFlow e altro ancora

ML.NET è stato progettato come piattaforma estensibile, in modo da poter usare altri framework di ML popolari (TensorFlow, ONNX, Infer.NET e altri ancora) e avere accesso a un numero ancora maggiore di scenari di apprendimento automatico, come la classificazione delle immagini, il rilevamento di oggetti e altro ancora.

Fonte dei dati: documento Machine Learning at Microsoft with ML.NET. Risultati per l'analisi del sentiment eseguita con 900 MB di un set di dati di recensioni Amazon. L'accuratezza dei dati e il runtime più basso sono migliori.

Prestazioni elevate e accuratezza

Usando un set di dati di recensioni Amazon di 9 GB, ML.NET ha eseguito il training di un modello di analisi del sentiment con un'accuratezza del 95%. Altri framework di Machine Learning più diffusi non sono riusciti a elaborare il set di dati a causa di errori di memoria. Con il training sul 10% del set di dati, per consentire a tutti i framework di completare il training, ML.NET ha dimostrato la velocità e la precisione più elevate.

La valutazione delle prestazioni ha trovato risultati simili in altri scenari di apprendimento automatico, tra cui il tasso di clickthrough e la previsione del ritardo del volo.

Leggi il documento sulle prestazioni ML.NET