ML.NET

.NET 개발자를 위한 빌드

ML.NET을 사용하면 기존 .NET 기술을 사용하여 사전 ML 경험 없이도 ML을 .NET 앱에 쉽게 통합할 수 있습니다.

AutoML로 간편하게 사용자 지정 ML

ML.NET은 고품질 사용자 지정 ML 모델을 쉽게 빌드, 학습 및 배포하는 데 도움이 되는 AutoML 및 생산적인 도구를 제공합니다.

TensorFlow & 등

ML.NET을 사용하면 추가 ML 시나리오에 Infer.NET, TensorFlow 및 ONNX와 같은 다른 인기 있는 ML 라이브러리를 활용할 수 있습니다.

규모에 따라 신뢰할 수 있고 입증됨

Power BI, Microsoft Defender, Outlook 및 Bing과 같은 인식된 Microsoft 제품에서 사용하는 것과 동일한 ML 프레임워크를 사용합니다.

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 개발자를 위한 빌드

ML.NET을 사용하면 .NET 에코시스템을 벗어나지 않고도 C# 또는 F#을 사용하여 사용자 지정 ML 모델을 만들 수 있습니다.

ML.NET은 .NET 개발자로서 이미 보유하고 있는 모든 지식, 기술, 코드 및 라이브러리를 다시 사용하여 기계 학습을 웹, 모바일, 데스크톱, 게임 및 IoT 앱에 쉽게 통합할 수 있게 합니다.

심층적 분석: ML.NET이란?

감정 분석

이진 분류 알고리즘을 사용하여 고객 리뷰의 감정을 분석합니다.

제품 추천

매트릭스 분해 알고리즘을 사용하여 구매 내역을 기반으로 제품을 추천합니다.

가격 예측

회귀 알고리즘을 사용하여 이동 거리와 같은 매개 변수를 기반으로 택시 요금을 예측합니다.

고객 세분화

클러스터링 알고리즘을 사용하여 유사한 프로필을 가진 고객 그룹을 식별합니다.

개체 감지

ONNX 딥 러닝 모델을 사용하여 이미지의 개체를 인식합니다.

사기 감지

이진 분류 알고리즘을 사용하여 사기성 신용 카드 거래를 검색합니다.

매출 급증 감지

이상 탐지 모델을 사용하여 제품 판매의 급증 및 변화를 탐지합니다.

이미지 분류

TensorFlow 딥 러닝 모델을 사용하여 이미지(예: 브로컬리 및 피자)를 분류합니다.

판매 예측

회귀 알고리즘을 사용하여 제품의 향후 판매를 예측합니다.

GitHub에서 더 많은 ML.NET 샘플을 찾거나 ML.NET 자습서를 살펴보세요.

AutoML로 간편하게 사용자 지정 ML

ML.NET은 사용자 지정 ML 모델을 매우 쉽게 빌드할 수 있도록 ML.NET CLI를 제공합니다.

이러한 도구는 기계 학습 시나리오에 가장 적합한 모델을 빌드하는 프로세스를 자동화하는 최첨단 기술인 AutoML(Automated ML)을 사용합니다. 데이터를 로드하기만 하면 AutoML이 나머지 모델 빌드 프로세스를 처리합니다.

ML.NET에서 ONNX를 사용하여 사진에서 두 마리의 개를 감지했습니다.

ML.NET에서 ONNX를 사용하여 사진에서 한 남자와 자전거를 감지했습니다.

ML.NET은 ONNX를 사용하여 사진에서 자동차와 세 사람을 감지했습니다.

ML.NET은 ONNX를 사용하여 사진에서 TV, 물병, 의자를 감지했습니다.

Github에서 샘플 코드 보기

TensorFlow & 등

ML.NET은 다른 인기 있는 ML 프레임워크(TensorFlow, ONNX, Infer.NET 등)를 사용하고 이미지 분류, 개체 감지 등 더 많은 기계 학습 시나리오에 액세스할 수 있도록 확장 가능한 플랫폼으로 설계되었습니다.

문서에서 가져온 데이터입니다. Machine Learning at Microsoft with ML.NET paper. ~900MB의 Amazon 리뷰 데이터 세트를 사용한 감정 분석 결과. 정확도가 높고 런타임이 낮을수록 좋습니다.

높은 성능 및 정확도

9GB Amazon 리뷰 데이터 세트를 사용하여 ML.NET은 95% 정확도로 감정 분석 모델을 학습했습니다. 다른 인기 있는 기계 학습 프레임워크는 메모리 오류로 인해 데이터 세트를 처리하지 못했습니다. 모든 프레임워크가 학습을 완료할 수 있도록 데이터 세트의 10%에 대한 학습에서 ML.NET은 최고 속도와 정확도를 보여 주었습니다.

성능 평가는 클릭률 예측 및 비행 지연 예측을 포함하여 다른 기계 학습 시나리오에서 비슷한 결과를 발견했습니다.

ML.NET 성능 문서 읽기