آموزش خودکار ML.NET، متریک و دقت

معرفی Introduction

• استفاده از اتوماسیون، معیارها و دقت در ML.NET Leveraging automation, metrics, and accuracy in ML.NET

• با استفاده از فایل های تمرین Using the exercise files

• آنچه شما باید بدانید What you should know

1. استفاده از AutoML 1. Using AutoML

• چگونه از AutoML API استفاده کنیم؟ How to use AutoML API?

• AutoML چیست؟ What is AutoML?

• نسخه ی نمایشی: AutoML Demo: AutoML

2. آموزش مدل را با ML.NET CLI خودکار کنید 2. Automate Model Training with the ML.NET CLI

• نحوه نصب ابزار ML.NET CLI How to install the ML.NET CLI tool

• نسخه ی نمایشی: احساسات را با استفاده از ML.NET CLI تجزیه و تحلیل کنید Demo: Analyze sentiment using the ML.NET CLI

• تله متری در ML.NET Telemetry in ML.NET

3. مدل ML.NET را با متریک ارزیابی کنید 3. Evaluate the ML.NET Model with Metrics

• اهمیت ویژگی جایگشت (PFI) Permutation feature importance (PFI)

• نسخه ی نمایشی: معیارها Demo: Metrics

• معیارهای مدل Model metrics

• نسخه ی نمایشی: اهمیت ویژگی جایگشت (PFI) Demo: Permutation feature importance (PFI)

4. بهبود دقت مدل 4. Improve Model Accuracy

• تنظیم فراپارامتر Hyperparameter tuning

• نمونه داده های بهتری ارائه دهید Provide better data samples

• نسخه ی نمایشی: مقادیر خط لوله را بررسی کنید Demo: Inspect pipeline values

• اعتبار سنجی متقابل Cross-validation

• نسخه ی نمایشی: اعتبار سنجی متقابل Demo: Cross-validation

• الگوریتم دیگری را انتخاب کنید Choose a different algorithm

• مشکل را دوباره قالب بندی کنید Reframe the problem

• مقادیر خط لوله را بررسی کنید Inspect pipeline values

نتیجه Conclusion

• مشکلات CLI CLI pitfalls

• مراحل بعدی Next steps