今天在中國七城聯動，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 機器學習指南和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 機器學習的一些內容。

作為一個.NET開發者的你，可能很難立即進入機器學習。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技術嘗試這個新事物，這個領域被認為更適合該工作的編程語言，例如Python和R所占據，這個更準確的來說是機器學習的前期數據分析階段。一年多以前，微軟為我們的.NET技術帶來一個新功能ML.NET, 現在已經是1.4，最新發布的.NET Core 3.1之上七龍珠已經聚齊。

首先我們為什么我們應該使用ML.NET 技術而不是Python和TensorFlow？通常來說 除技術棧外，沒有其他特殊原因。如果您將ASP.NET應用程序與機器學習模塊一起使用，無疑是將ML.NET集成起來要容易得多。此外，現在您可以將使用TensorFlow構建的模塊加載到ML.NET中。不知道各位有沒有思考一下為什么 Microsoft 現在要在.NET 平臺上引入機器學習以及我們為什么要關心機器學習。

首先是機器學習這項技術正在跨越鴻溝。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品只是在小眾范圍內流傳，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別，小米早期定義「為發燒而生」，而錘子手機則是「情懷」，都是針對某個特定群體，但是你看現在小米已經不再說發燒這類的詞了，因為它早已經進入主流市場。

最早的機器學習算法可以追溯到20世紀初，到今天為止，已經過去了100多年。從1980年機器學習稱為一個獨立的方向開始算起，到現在也已經過去了近40年。在這100多年中，經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習正在從僅有少數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：重新發現商業與未來》 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？在醫療、教育和零售機構當中，如何打造一個相適應的AI是至關重要的。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領域的GPU和FPGA等等一些基礎架構方面的合作都已準備就緒了，可以提供更多的可能性，確保業務的運行和效率。除此之外，我們的架構提供對TensorFlow的支持，這樣一來我們就有了一個非常開放的環境來支持所有的開發框架。

您應該開始探索這個機器學習領域的另一個原因是，作為一個人類，我們會產生大量數據。單獨地，我們無法處理那么多的數據，甚至無法處理全部數據。從技術上講，我們面臨著無法從數據中提取信息的問題。但是，機器學習模型卻可以幫助我們處理海量的數據。

機器學習是計算機科學的一個分支，它使用統計技術使計算機能夠學習如何解決某些問題而無需對其進行顯式編程。如上所述，所有重要的機器學習概念都可以追溯到1950年代。但是，主要思想是開發一個數學模型，該模型將能夠做出一些預測。通常會事先對一些數據進行訓練。簡而言之，數學模型使用對舊數據的見解對新數據進行預測。這整個過程稱為預測建模。如果從數學上講，我們正在嘗試近似一個映射函數? –??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。回歸問題需要預測數量。這意味著我們的輸出是連續的實值，通常是整數或浮點值。例如，我們要根據過去幾個月的數據預測公司股票的價格。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。它結合了數據加載，轉換和模型訓練，使您輕松創建機器學習模型。

機器學習使用已知數據（例如訓練數據）來找到模式，以便對新的未知數據進行預測。機器學習的輸入稱為?特征，這是用于進行預測的屬性。機器學習的輸出稱為Label，它是實際的預測。ML.NET中的數據表示為IDataView，這是一種描述表格數據（例如行和列）的靈活，高效的方法。IDataView對象可以包含數字，文本，布爾值，向量等。您可以將數據從文件或實時流源加載到IDataView。具體參考?從文件和其他源加載數據

在大多數情況下，您可用的數據不適合直接用于訓練機器學習模型。原始數據需要使用數據轉換進行預處理。Transformers 獲取數據，對其進行一些處理，然后返回經過轉換的新數據。ML.NET內置了一組數據轉換，用于替換缺失值，數據轉換，使文本特征化等等。參考準備建模的數據

Estimator從數據中學習以創建Transformer 。現在，將輸入要素轉換為輸出預測的模型是Transformer

總結

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站內容還不錯，歡迎將生活随笔推薦給好友。