ML.NET tutorial | Introdução em 10 minutos

Intro

Finalidade

Instale a ML.NET CLI e, em seguida, treine e use seu primeiro modelo de machine learning com ML.NET.

Pré-requisitos

macOS 12.0 ou versões posteriores.

Tempo até a conclusão:

10 minutos + tempo de download/instalação

Situação

Um aplicativo que pode prever se o texto das revisões do cliente é um sentimento negativo ou positivo.

Baixar e instalar

Baixe e instale o Visual Studio 2022.

Baixar o Visual Studio 2022

Durante a instalação, a carga de trabalho de desenvolvimento para .NET desktop deve ser selecionada junto com o componente opcional do ML.NET Model Builder. Usando o link acima deve pré-selecionar todos os pré-requisitos corretamente, como mostrado na imagem a seguir:

Já tem o Visual Studio 2022?

Se você já tiver o Visual Studio 2022, certifique-se de que ele esteja atualizado e de que a carga de trabalho necessária esteja instalada:

Selecione a tecla Windows, digite Instalador do Visual Studio e pressione Enter.
Se solicitado, permita que o instalador se atualize.
Se uma atualização para o Visual Studio 2022 estiver disponível, um botão de Atualizar será exibido. Selecione-o para atualizar antes de modificar a instalação. Recomendamos usar a versão mais recente do Visual Studio 2022 para este tutorial.
Localize sua instalação do Visual Studio 2022 e selecione Modificar.
Selecione Desenvolvimento de área de trabalho do .NET e verifique se ML.NET Model Builder está selecionado no painel direito. Selecione o botão Modificar.

Atualize para a versão mais recente do Model Builder

Depois de habilitar o ML.NET Model Builder no Visual Studio, baixe e instale a versão mais recente.

Baixe a versão mais recente do Model Builder

Depois de baixar, instale a extensão clicando duas vezes no arquivo .vsix.

Verifique se há atualizações do Visual Studio

Este tutorial foi otimizado para a versão mais recente do Visual Studio. Se você já tem o Visual Studio 2022, poderá verificar se há atualizações:

Selecione a tecla Windows, digite Instalador do Visual Studio e pressione Enter.
Se solicitado, permita que o instalador se atualize.
Se houver uma atualização disponível, sua instalação do Visual Studio 2022 terá um botão Atualizar. Selecione-o para atualizar.

Instalar SDK do .NET

Para criar aplicativos .NET, você precisa baixar e instalar o SDK do .NET 8 (Software Development Kit).

Download do SDK do .NET 8 x64 (Intel)
Download do SDK do .NET 8 Arm64 (Apple Silicon)

Se você estiver em um Mac com um chip Apple M1 ou M2, precisará instalar a versão Arm64 do SDK.

Instalar ML.NET CLI

A interface de linha de comando (CLI) do ML.NET fornece ferramentas para criar modelos de aprendizado de máquina com ML.NET.

Nota: Atualmente, ML.NET CLI está em versão prévia e dá suporte apenas à versão LTS mais recente do SDK do .NET (.NET 8).

Para as etapas de instalação, recomendamos que você use um console Bash. Como o padrão para macOS é um console zsh, você pode criar uma instância singular abrindo um novo terminal e executando o comando abaixo.

Terminal

bash

FOR x64 MACHINES - Execute o comando a seguir:

Terminal

dotnet tool install -g mlnet-osx-x64

FOR ARM64 CHIP ARCHITECTURES - Execute o comando a seguir:

Terminal

dotnet tool install -g mlnet-osx-arm64

Se a ferramenta for instalada com êxito, você deverá ver a seguinte mensagem de saída em que [arch] é a arquitetura do chip semelhante ao seguinte:

Terminal

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

Observação: se você estiver usando um console diferente do Bash (por exemplo, zsh, que é o novo padrão do macOS), você precisará dar permissões executáveis mlnet e incluir mlnet no caminho do sistema. Instruções sobre como fazer isso devem aparecer no terminal ao instalar o mlnet (ou qualquer ferramenta global). Em geral, o comando a seguir deve funcionar para a maioria dos sistemas: chmod +x [PATH-TO-MLNET-CLI-EXECUTABLE]

Se você vir instruções semelhantes às mostradas abaixo, execute-as no terminal.

Terminal

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

Como alternativa, você pode tentar usar o seguinte comando para executar a ferramenta mlnet:

Terminal

~/.dotnet/tools/mlnet

Se o comando ainda fornecer um erro, use o botão Ocorreu um problema abaixo para relatar o problema e obter ajuda para corrigir o problema.

Criar seu aplicativo

Em seu terminal, execute os seguintes comandos:

Terminal

mkdir myMLApp
cd myMLApp

O comando mkdir cria um novo diretório chamado myMLApp, e o comando cd myMLApp coloca você no diretório de aplicativos recém-criado.

O código de treinamento do modelo será gerado nas próximas etapas.

Escolher um cenário

Para gerar seu modelo, você precisa de selecionar seu cenário de aprendizado de máquina.

Há vários cenários de ML que são suportados pelo ML.NET CLI:

Classificação - Use isso quando quiser prever a qual categoria os dados pertencem (por exemplo, analisar os sentimentos das revisões do cliente como positivas ou negativas).
Classificação de imagem: use quando desejar prever a qual categoria uma imagem pertence (por exemplo, para prever se uma imagem é de um gato ou de um cachorro).
Regressão (por exemplo, previsão de valor) - Use isso quando desejar prever um valor numérico (por exemplo, prever o preço da casa).
Previsão - use isso quando quiser prever valores futuros em uma série temporal (por exemplo, previsão de vendas trimestral).
Recomendação-use-o quando desejar recomendar itens aos usuários com base nas classificações históricas (por exemplo, recomendação do produto).

Nesse caso, você preverá o sentimento com base no conteúdo (texto) das revisões do cliente, portanto, você usará classificação.

Baixar e adicionar dados

Baixe o Conjuntos de dados de frases rotuladas por reconhecimento do UCI. Descompacte sentiment labelled sentences.zip e salve o arquivo yelp_labelled.txt no diretório myMLApp.

Cada linha em yelp_labelled.txt representa uma análise diferente de um restaurante deixada por um usuário no Yelp. A primeira coluna representa o comentário deixado pelo usuário e a segunda coluna representa o sentimento do texto (0 é negativo, 1 é positivo). As colunas são separadas por guias, e o conjunto de dados não tem cabeçalho. Os dados se parecem com o seguinte:

yelp_labelled.txt

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

Treinar seu modelo

Agora, você treinará seu modelo com o conjunto de dados yelp_labelled.txt.

No seu terminal, execute o seguinte comando (em sua myMLApppasta):

Terminal

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

O que esses comandos significam?

O comando mlnet classification executa o ML.NET com AutoML para explorar muitas iterações de modelos de classificação no tempo de treinamento especificado com combinações variáveis de transformações de dados, algoritmos e opções de algoritmo e, em seguida, escolhe o modelo com o maior desempenho.

--dataset: Você escolheu yelp_labelled.txt como o conjunto de dados (internamente, a CLI dividirá o conjunto de dados em conjuntos de dados de treinamento e teste).
--label-col: Especifique a coluna de destino que deseja prever (ou o rótulo). Nesse caso, você deseja prever o sentimento na segunda coluna (colunas indexadas com zero significa que esta é a coluna "1").
--has-header: Use esta opção para especificar se o conjunto de dados tem um cabeçalho. Nesse caso, o conjunto de dados não tem um cabeçalho, portanto, ele é falso.
--name: Use esta opção para fornecer um nome para seu modelo de machine learning e ativos relacionados. Neste caso, todos os ativos associados a este modelo de machine learning terão SentimentModel no nome.
--train-time: Você também deve especificar o período de tempo que você gostaria que a CLI do ML.NET explorasse diferentes modelos. Nesse caso, 60 segundos (você pode tentar aumentar este número se nenhum modelo for encontrado após o treinamento). Observe que para conjuntos de dados maiores, você deve definir um tempo de treinamento mais longo.

Andamento

Enquanto a CLI do ML.NET está explorando modelos diferentes, ela exibe os seguintes dados:

Iniciar treinamento - Esta seção mostra cada iteração de modelo, incluindo o treinador (algoritmo) usado e as métricas de avaliação para essa iteração.
Tempo restante – Isso e a barra de progresso indicarão quanto tempo resta no processo de treinamento em segundos.
Melhor algoritmo-mostra qual algoritmo executou melhor até agora.
Melhor pontuação – Isso mostra o desempenho do melhor modelo até o momento. Maior precisão significa que o modelo previu mais corretamente nos dados de teste.

Se desejar, você pode exibir mais informações sobre a sessão de treinamento no arquivo de log gerado pela CLI.

Avaliar seu modelo

Depois que a CLI do ML.NET selecionar o melhor modelo, ela exibirá o resumo de treinamento, que mostra um resumo do processo de exploração, incluindo quantos modelos foram explorados no tempo de treinamento especificado.

Principais modelos

Embora a CLI do ML.NET gere código para o modelo de melhor desempenho, ela também exibe os modelos superiores (até 5) com a precisão mais alta que encontrou no tempo de exploração especificado. Ela exibe várias métricas de avaliação dos principais modelos, incluindo AUC, AUPRC e medida f. Para obter mais informações, confira métricas do ML.NET.

Gerar código

A CLI do ML.NET adiciona o modelo de machine learning e o código para treinamento e consumo do modelo, o que inclui o seguinte:

Um novo diretório chamado SentimentModel foi criado contendo um aplicativo de console .NET que inclui os seguintes arquivos:
- Program.cs: este arquivo contém o código para executar o modelo.
- SentimentModel.consumption.cs: este arquivo contém as classes de modelo de entrada e saída e um método de Predict que pode ser usado para o consumo de modelos.
- SentimentModel.mbconfig: este arquivo é um arquivo JSON que mantém o controle das configurações e dos resultados do seu treinamento.
- SentimentModel.training.cs: este arquivo contém o pipeline de treinamento (transformações de dados, algoritmo e parâmetros de algoritmo) usado para treinar o modelo final.
- SentimentModel.zip: este arquivo é o modelo ML.NET treinado, que é um arquivo zip serializado.

Para tentar o modelo, você pode executar o aplicativo de console para prever o sentimento de uma única instrução com o modelo.

Consumir seu modelo

A CLI do ML.NET gerou o modelo e o código treinados para você, portanto, agora você pode usar o modelo em aplicativos .NET (por exemplo, seu aplicativo de console SentimentModel) seguindo estas etapas:

Na linha de comando, navegue até o diretório consumeModelApp.
Terminal
```
cd SentimentModel
```

Abra o Program.cs em qualquer editor de código e inspecione o código. O código deve ser semelhante ao seguinte:

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();
        }
    }
}

Execute seu SentimentModel.ConsoleApp. Você pode fazer isso executando o comando a seguir no terminal (verifique se você está no diretório SentimentModel):

Terminal

dotnet run

A saída deve ser algo parecido com isto:

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 ===============

Próximas etapas

Parabéns, você criou seu primeiro modelo de machine learning com a CLI do ML.NET!

Agora que você usou o ML.NET CLI para Classificação (especificamente análise de sentimentos), você pode tentar outros cenários. Experimente um cenário de regressão (especificamente previsão de preço) usando o conjunto de dados de Valor do Táxi para continuar compilando modelos de ML.NET com o ML.NET CLI.

Baixar o conjunto de dados tarifas de táxi

ML.NET para iniciantes

Deixe o Luis apresentar a você o conceito de aprendizado de máquina e IA, explicar o que você pode fazer com ele e guiar você sobre como começar a usar o OpenAI, os Serviços de IA do Azure e o ML.NET:

Você também pode estar interessado em...

ML.NET CLI Docs

Saiba mais sobre ML.NET CLI

Exemplos do ML.NET

Explore os exemplos do ML.NET no GitHub

Documentos do desenvolvedor

Obter detalhes da documentação para ML.NET

Tutorial do ML.NET: comece a usar em 10 minutos

Intro

Finalidade

Pré-requisitos

Tempo até a conclusão:

Situação

Baixar e instalar

Já tem o Visual Studio 2022?

Atualize para a versão mais recente do Model Builder

Verifique se há atualizações do Visual Studio

Instalar SDK do .NET

Instalar ML.NET CLI

Criar seu aplicativo

Adicionar aprendizado de máquina

Escolher um cenário

Baixar e adicionar dados

Adicionar dados

Treinar seu modelo

Resultados do treinamento

O que esses comandos significam?

Andamento

Avaliar seu modelo

Experimente seu modelo

Principais modelos

Gerar código

Consumir seu modelo

Próximas etapas

ML.NET para iniciantes

Guia Model Builder

Exemplos do ML.NET

Documentos do desenvolvedor

ML.NET para iniciantes

ML.NET CLI Docs

Exemplos do ML.NET

Documentos do desenvolvedor

Relatar um problema

Fornecer comentários