ML.NET -.NET 用に作成された機械学習

.NET 開発者向けに構築

ML.NET を使用すると、既存の .NET スキルを使用して、ML の経験がなくても ML を .NET アプリに簡単に統合できます。

AutoML を使用してカスタム ML を簡単に作成

ML.NET には、高品質のカスタム ML モデルを簡単に構築し、トレーニングし、デプロイするのに役立つ AutoML と生産性の高いツールが用意されています。

TensorFlow & などを使用した拡張

ML.NET では、追加の ML シナリオ向けに Infer.NET、TensorFlow、ONNX などの一般的な ML ライブラリを活用することができます。

大規模な信頼と実績

Power BI、Microsoft Defender、Outlook、Bing など、認識されている Microsoft 製品と同じ ML フレームワークを使用します。

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)

.NET 開発者向けに構築

ML.NET を使用すると、.NET エコシステムを終了しなくても、C# または F # を使用してカスタム ML モデルを作成できます。

ML.NET を使用すると、.NET 開発者として既に持っているすべての知識、スキル、コード、ライブラリを再利用できるため、機械学習を Web、モバイル、デスクトップ、ゲーム、および IoT アプリに簡単に統合できます。

専門情報: ML.NET とは

感情分析

二項分類アルゴリズムを使用して、顧客レビューの感情分析を行います。

製品のおすすめ

行列分解アルゴリズムを使用して、購入履歴に基づく製品をお勧めします。

料金予測

回帰アルゴリズムを使用して、移動距離などのパラメーターからタクシー料金を予測します。

顧客セグメント

クラスターアルゴリズムを使用して、類似したプロファイルを持つ顧客のグループを特定します。

オブジェクトの検出

ONNX ディープラーニングモデルを使用して、画像中のオブジェクトを認識します。

不正検出

二項分類アルゴリズムを用いて、クレジットカードの不正取引を検出します。

営業スパイクの検出

異常検出モデルを使用して、製品売上の急増や変化を検出します。

画像分類

TensorFlow のディープラーニングモデルを使用して、画像を分類します (たとえば、ブロッコリーとピザ)。

販売予測

回帰アルゴリズムを使用して製品の将来の売上を予測します。

GitHub の詳細な ML.NET サンプルで検索するか、ML.NET チュートリアルをご覧ください。

AutoML を使用してカスタム ML を簡単に作成

ML.NET には ML.NET CLI が用意されており、カスタム ML モデルを非常に簡単にビルドできます。

このツールは、機械学習のシナリオに合わせて最適なモデルをビルドするプロセスを自動化する、自動機械学習 (AutoML) と呼ばれる最先端の技術を使用しています。データを読み込むだけで、あとは AutoML が残りのモデル構築プロセスを実行してくれます。

ML.NET は ONNX を使用して、写真の中で車と 3 人の人物を検出しました

ML.NET は ONNX を使用して、フォトで鉢植えの植物とソファを検出しました

GitHub でサンプルコードを表示する

TensorFlow & などを使用した拡張

ML.NET は、その他の一般的な ML フレームワーク (TensorFlow、ONNX、Infer.NET など) を使用できるようにするために拡張可能なプラットフォームとして設計されており、より多くのマシン学習シナリオ (イメージ分類、オブジェクト検出など) にアクセスできます。

ML.NET を使った Microsoft での機械学習論文を含む Microsoft から提供されるデータ。Amazon レビューデータセットの約 900 MB を使用したセンチメント分析の結果。精度が高く、ランタイムが低い方が優れています。

高パフォーマンスと正確性

9 GB の Amazon レビューデータセットを使用 ML.NET、95% の精度でセンチメント分析モデルをトレーニングしました。他の一般的な機械学習フレームワークでは、メモリエラーのため、データセットを処理できませんでした。すべてのフレームワークがトレーニングを完了できるようデータセットの 10% をトレーニングする場合、ML.NET が最も高い速度と正確さを示していました。

パフォーマンス評価では、クリックスルー率予測やフライト遅延予測など、他の機械学習シナリオと同様の結果が見つかりました。

ML.NET パフォーマンスペーパーを読む