今天在中國七城聯(lián)動，全球134場的AI BootCamp勝利落幕，廣州由盧建暉老師組織，我參與分享了一個主題《ML.NET 機器學(xué)習(xí)指南和Azure Kinect .NET SDK概要》，活動雖然只有短短的2天時間的宣傳，報名70人，到場40多人。

下面我和你分享一下我對ML.NET 機器學(xué)習(xí)的一些內(nèi)容。

作為一個.NET開發(fā)者的你，可能很難立即進入機器學(xué)習(xí)。主要原因之一就是我們無法啟動Visual Studio 使用我們所精通的.NET技術(shù)嘗試這個新事物，這個領(lǐng)域被認為更適合該工作的編程語言，例如Python和R所占據(jù)，這個更準確的來說是機器學(xué)習(xí)的前期數(shù)據(jù)分析階段。一年多以前，微軟為我們的.NET技術(shù)帶來一個新功能ML.NET, 現(xiàn)在已經(jīng)是1.4，最新發(fā)布的.NET Core 3.1之上七龍珠已經(jīng)聚齊。

首先我們?yōu)槭裁次覀儜?yīng)該使用ML.NET 技術(shù)而不是Python和TensorFlow？通常來說 除技術(shù)棧外，沒有其他特殊原因。如果您將ASP.NET應(yīng)用程序與機器學(xué)習(xí)模塊一起使用，無疑是將ML.NET集成起來要容易得多。此外，現(xiàn)在您可以將使用TensorFlow構(gòu)建的模塊加載到ML.NET中。不知道各位有沒有思考一下為什么 Microsoft 現(xiàn)在要在.NET 平臺上引入機器學(xué)習(xí)以及我們?yōu)槭裁匆P(guān)心機器學(xué)習(xí)。

首先是機器學(xué)習(xí)這項技術(shù)正在跨越鴻溝。事實上這個鴻溝是非常難以跨越的，之所以那么多的高科技產(chǎn)品只是在小眾范圍內(nèi)流傳，而并沒有被主流市場接受，原因就是這些公司沒有能夠跨越這個鴻溝。成功跨越鴻溝的典型是小米手機，而被鴻溝擋住的典型當屬錘子手機，大家可以想想這兩家的區(qū)別，小米早期定義「為發(fā)燒而生」，而錘子手機則是「情懷」，都是針對某個特定群體，但是你看現(xiàn)在小米已經(jīng)不再說發(fā)燒這類的詞了，因為它早已經(jīng)進入主流市場。

最早的機器學(xué)習(xí)算法可以追溯到20世紀初，到今天為止，已經(jīng)過去了100多年。從1980年機器學(xué)習(xí)稱為一個獨立的方向開始算起，到現(xiàn)在也已經(jīng)過去了近40年。在這100多年中，經(jīng)過一代又一代人的努力，最近這幾年終于跨越了鴻溝。跨越鴻溝意味著機器學(xué)習(xí)正在從僅有少數(shù)人掌握的時代過渡到民主化、平民化。微軟的CEO 薩提亞·納德拉在他的書《刷新：重新發(fā)現(xiàn)商業(yè)與未來》 之中就有提出“民主化”的人工智能，ML.NET正是要完成這項使命的載體之一。如何實現(xiàn)人工智能全民化，讓它惠及每個人？如何讓每個人打造自己的人工智能和AI？在醫(yī)療、教育和零售機構(gòu)當中，如何打造一個相適應(yīng)的AI是至關(guān)重要的。當我們談AI的時候，不能空談任何一個AI公司，而是要“民主化”AI，讓AI真正落地應(yīng)用到個人。為了達到這樣的一個目的，我們有一系列的解決方案。Azure 云上在AI領(lǐng)域的GPU和FPGA等等一些基礎(chǔ)架構(gòu)方面的合作都已準備就緒了，可以提供更多的可能性，確保業(yè)務(wù)的運行和效率。除此之外，我們的架構(gòu)提供對TensorFlow的支持，這樣一來我們就有了一個非常開放的環(huán)境來支持所有的開發(fā)框架。

您應(yīng)該開始探索這個機器學(xué)習(xí)領(lǐng)域的另一個原因是，作為一個人類，我們會產(chǎn)生大量數(shù)據(jù)。單獨地，我們無法處理那么多的數(shù)據(jù)，甚至無法處理全部數(shù)據(jù)。從技術(shù)上講，我們面臨著無法從數(shù)據(jù)中提取信息的問題。但是，機器學(xué)習(xí)模型卻可以幫助我們處理海量的數(shù)據(jù)。

機器學(xué)習(xí)是計算機科學(xué)的一個分支，它使用統(tǒng)計技術(shù)使計算機能夠?qū)W習(xí)如何解決某些問題而無需對其進行顯式編程。如上所述，所有重要的機器學(xué)習(xí)概念都可以追溯到1950年代。但是，主要思想是開發(fā)一個數(shù)學(xué)模型，該模型將能夠做出一些預(yù)測。通常會事先對一些數(shù)據(jù)進行訓(xùn)練。簡而言之，數(shù)學(xué)模型使用對舊數(shù)據(jù)的見解對新數(shù)據(jù)進行預(yù)測。這整個過程稱為預(yù)測建模。如果從數(shù)學(xué)上講，我們正在嘗試近似一個映射函數(shù)? –??f? 從輸入變量??X? 到輸出變量??y。?我們正在嘗試使用這種方法解決兩大類問題：回歸和分類。回歸問題需要預(yù)測數(shù)量。這意味著我們的輸出是連續(xù)的實值，通常是整數(shù)或浮點值。例如，我們要根據(jù)過去幾個月的數(shù)據(jù)預(yù)測公司股票的價格。分類問題有點不同。他們正在嘗試將輸入劃分為某些類別。這意味著此任務(wù)的輸出是離散的。

ML.NET 是什么?給我們介紹了 ML.NET在幾乎每種情況下都遵循相同的基本步驟。它結(jié)合了數(shù)據(jù)加載，轉(zhuǎn)換和模型訓(xùn)練，使您輕松創(chuàng)建機器學(xué)習(xí)模型。

機器學(xué)習(xí)使用已知數(shù)據(jù)（例如訓(xùn)練數(shù)據(jù)）來找到模式，以便對新的未知數(shù)據(jù)進行預(yù)測。機器學(xué)習(xí)的輸入稱為?特征，這是用于進行預(yù)測的屬性。機器學(xué)習(xí)的輸出稱為Label，它是實際的預(yù)測。ML.NET中的數(shù)據(jù)表示為IDataView，這是一種描述表格數(shù)據(jù)（例如行和列）的靈活，高效的方法。IDataView對象可以包含數(shù)字，文本，布爾值，向量等。您可以將數(shù)據(jù)從文件或?qū)崟r流源加載到IDataView。具體參考?從文件和其他源加載數(shù)據(jù)

在大多數(shù)情況下，您可用的數(shù)據(jù)不適合直接用于訓(xùn)練機器學(xué)習(xí)模型。原始數(shù)據(jù)需要使用數(shù)據(jù)轉(zhuǎn)換進行預(yù)處理。Transformers 獲取數(shù)據(jù)，對其進行一些處理，然后返回經(jīng)過轉(zhuǎn)換的新數(shù)據(jù)。ML.NET內(nèi)置了一組數(shù)據(jù)轉(zhuǎn)換，用于替換缺失值，數(shù)據(jù)轉(zhuǎn)換，使文本特征化等等。參考準備建模的數(shù)據(jù)

Estimator從數(shù)據(jù)中學(xué)習(xí)以創(chuàng)建Transformer 。現(xiàn)在，將輸入要素轉(zhuǎn)換為輸出預(yù)測的模型是Transformer

總結(jié)

以上是生活随笔為你收集整理的AI Boot Camp 分享之 ML.NET 机器学习指南的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。