ML.NET

Criado para desenvolvedores do .NET

Com o ML.NET, você pode usar suas habilidades .NET existentes para integrar o ML facilmente a seus aplicativos .NET sem nenhuma experiência anterior de ML.

O aprendizado de máquina personalizado fica mais fácil com o AutoML

O ML.NET oferece AutoML e ferramentas produtivas para ajudá-lo a compilar, treinar e implantar modelos ML personalizados de alta qualidade.

Estendido com TensorFlow e mais

O ML.NET permite aproveitar outras bibliotecas de ML populares como Infer.NET, TensorFlow e ONNX para cenários adicionais de ML.

Confiável e comprovado em escala

Use a mesma estrutura ML usada por produtos reconhecidos da Microsoft tais como o 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)

Criado para desenvolvedores do .NET

Com ML.NET, você pode criar modelos de ML personalizados usando C# ou F# sem precisar sair do ecossistema do .NET.

O ML.NET permite reutilizar todo o conhecimento, habilidades, código e bibliotecas que você já tem como desenvolvedor do .NET para integrar facilmente o Machine Learning com seus aplicativos Web, móveis, de área de trabalho, jogos e IoT.

Obter detalhes: o que é o ML.NET?

Análise de sentimentos

Analise o sentimento de avaliações de clientes usando um algoritmo de classificação binária.

Recomendação de produto

Recomende produtos com base no histórico de compras usando um algoritmo de fatoração de matriz.

Previsão de preço

Preveja tarifas de táxi com base em parâmetros como distância percorrida usando um algoritmo de regressão.

Segmentação de clientes

Identifique grupos de clientes com perfis semelhantes usando um algoritmo de cluster.

Detecção de objetos

Reconhecer objetos em uma imagem usando um modelo de aprendizado profundo ONNX.

Detecção de fraudes

Detectar transações fraudulentas de cartão de crédito usando um algoritmo de classificação binária.

Detecção de pico de vendas

Detecte picos e alterações nas vendas de produtos usando um modelo de detecção de anomalias.

Classificação de imagem

Classificar imagens (por exemplo, brócolis vs. pizza) usando um modelo de aprendizado profundo de TensorFlow.

Previsão de vendas

Preveja suas vendas de produtos futuras usando um algoritmo de regressão.

Você pode encontrar mais amostras ML.NET no GitHub, ou dê uma olhada nos Tutoriais do ML.NET.

O aprendizado de máquina personalizado fica mais fácil com o AutoML

ML.NET oferece Model Builder (uma ferramenta de interface do usuário simples) e ML.NET CLI para facilitar muito a criação de modelos de ML personalizados.

Essas ferramentas usam o ML Automatizado (AutoML), uma tecnologia de ponta que automatiza o processo de criação de modelos de melhor desempenho para seu cenário de Aprendizado de Máquina. Tudo o que você precisa fazer é carregar seus dados e o AutoML cuida do restante do processo de criação do modelo.

Explorar o ML.NET Model Builder

Model Builder
Linha de Comando

O ML.NET Model Builder oferece uma interface visual para criar modelos de machine learning no Visual Studio.

ML.NET detectou dois cachorros na foto, usando o ONNX

O ML.NET detectou um homem e uma bicicleta na foto, usando ONNX

ML.NET detectou um barco na foto usando ONNX

ML.NET detectou um carro e três pessoas na foto usando ONNX

ML.NET uma TV, uma garrafa de água e uma cadeira na foto usando ONNX

ML.NET detectou uma planta e um sofá na foto usando ONNX

Exibir código de exemplo no GitHub

Estendido com TensorFlow e mais

O ML.NET foi projetado como uma plataforma extensível para que você possa consumir outras estruturas ML populares (TensorFlow, ONNX, Infer.NET e muito mais) e ter acesso a ainda mais cenários de aprendizado de máquina, como classificação de imagens, detecção de objetos e muito mais.

Dados originados do artigo Aprendizado de máquina na Microsoft com o ML.NET. Resultados da análise de sentimentos usando cerca de 900 MB de um conjunto de dados de uma avaliação da Amazon. É melhor ter uma maior precisão e um menor tempo de execução.

Alto desempenho e precisão

Usando um conjunto de dados de análise da Amazon de 9 GB, o ML.NET treina um modelo de análise de sentimento com 95% precisão. Outras estruturas populares de Machine Learning não processaram o conjunto de dados devido a erros de memória. Com treinamento em 10% do conjunto de dados, para permitir que todas as estruturas concluam o treinamento, o ML.NET demonstrou mais velocidade e precisão.

A avaliação de desempenho encontrou resultados semelhantes em outros cenários de machine learning, incluindo previsão de taxa de cliques e previsão de atraso de voo.

Leia o papel de desempenho do ML.NET