يسعدنا أن نعلن عن إصدار ML.NET 0.7 ، أحدث إصدار من نظام التعلم الآلي عبر الأنظمة المفتوحة المصدر والمفتوح لمطوري .NET (
تم إصدار ML.NET 0.1 في // Build 2018 ). يهدف هذا الإصدار إلى توسيع وظائف النظام الأساسي. مزيد من التفاصيل تحت الخفض!
توصيات نظام الدعم مع معامل ماتريكس
تتيح لك أنظمة التوصية إنشاء توصيات مخصصة لمنتجات الكتالوج والأغاني والأفلام وما إلى ذلك. لقد قمنا بتحسين الدعم لإنشاء أنظمة التوصية في ML.NET بإضافة معامل التصفير (MF). يعد هذا نهجًا شائعًا للتوصيات عندما يمكنك الحصول على بيانات حول كيفية تقييم المستخدمين لبعض العناصر في الكتالوج. على سبيل المثال ، قد تعرف كيف يقيم المستخدمون أفلامًا معينة. بفضل هذه المعرفة ، يمكنك التوصية بأفلام أخرى قد يرغبون أيضًا في مشاهدتها.
أضفنا MF إلى ML.NET لأنه غالبًا ما يكون أسرع بشكل ملحوظ من أجهزة Factor Factorization (التي أضفناها إلى ML.NET 0.3) ، ويمكنه دعم التصنيفات العددية (مثل 1-5 نجوم) بدلاً من ذلك القيم الثنائية ("أعجبني" أو "لم يعجبني"). على الرغم من حقيقة أننا أضفنا MF ، لا يزال بإمكانك استخدام FFM إذا كنت ترغب في استخدام معلومات أخرى خارج التصنيف الذي يعينه المستخدم للعنصر (على سبيل المثال ، نوع الفيلم ، تاريخ إصدار الفيلم ، ملف تعريف المستخدم). يمكن العثور على مناقشة أكثر تفصيلا للاختلافات
هنا .
يمكن العثور على مثال لاستخدام MF
هنا . هذا المثال عام ، ولكن يمكنك تخيل أن صفوف المصفوفة تتوافق مع المستخدمين ، وأعمدة المصفوفة تتوافق مع الأفلام ، وقيم المصفوفة تتوافق مع التصنيفات. هذه المصفوفة شحيحة إلى حد ما حيث قام المستخدمون بتقييم مجموعة فرعية صغيرة فقط من الدليل.
يستخدم MF ML.NET
LIBMF .
سيناريوهات الكشف الشاذة - كشف الأحداث غير العادية
يتيح لك
اكتشاف الشذوذ تحديد القيم أو الأحداث غير العادية. يتم استخدامه في سيناريوهات مثل الكشف عن الاحتيال (الكشف عن معاملات بطاقات الائتمان المشبوهة) ومراقبة الخادم (الكشف عن نشاط غير عادي).
يكشف ML.NET 0.7 نوعين من السلوك غير الطبيعي:
- كشف الارتفاع: يعزى الارتفاع إلى الاندفاعات المؤقتة المفاجئة في قيم الإدخال. يمكن أن تكون هذه القيم شاذة بسبب الأعطال والهجمات السيبرانية ومحتوى الويب الفيروسي وما إلى ذلك.
- كشف نقطة التغيير: تشير نقاط التغيير إلى بداية الانحرافات المستمرة في سلوك البيانات.
يمكن الكشف عن هذه الحالات الشاذة على نوعين من البيانات باستخدام مكونات ML.NET مختلفة:
- يتم استخدام IidSpikeDetector و IidChangePointDetector للبيانات المأخوذة من توزيع ثابت واحد (لا تعتمد كل نقطة بيانات على النقطة السابقة).
- يتم استخدام SsaSpikeDetector و SsaChangePointDetector للبيانات التي تحتوي على مكونات موسمية / اتجاهات (ربما مرتبة حسب الوقت ، مثل مبيعات المنتجات).
يمكن العثور على نموذج التعليمات البرمجية باستخدام الكشف عن الشذوذ في ML.NET
هنا .
تخصيص محسن لخطوط أنابيب ML.NET
يوفر ML.NET العديد من تحويلات البيانات (على سبيل المثال ، معالجة النصوص والصور والوظائف الفئوية وما إلى ذلك). ومع ذلك ، تتطلب حالات استخدام محددة تحويلات محددة. لقد أضفنا الآن دعمًا للتحويلات المخصصة بحيث يمكنك بسهولة تضمين حلول مخصصة.
يتيح لك CustomMappingEstimator إنشاء طرق معالجة البيانات الخاصة بك وإضافتها إلى خط أنابيب ML.NET. إليك ما ستبدو عليه في خط الأنابيب:
var estimator = mlContext.Transforms.CustomMapping<MyInput, MyOutput>(MyLambda.MyAction, "MyLambda") .Append(...) .Append(...)
فيما يلي تعريف لما سيفعله هذا التعيين المخصص. في هذا المثال ، سنقوم بتحويل تسمية النص ("البريد العشوائي" أو "لحم الخنزير") إلى التسمية المنطقية (صواب أو خطأ).
public class MyInput { public string Label { get; set; } } public class MyOutput { public bool Label { get; set; } } public class MyLambda { [Export("MyLambda")] public ITransformer MyTransformer => ML.Transforms.CustomMappingTransformer<MyInput, MyOutput>(MyAction, "MyLambda"); [Import] public MLContext ML { get; set; } public static void MyAction(MyInput input, MyOutput output) { output.Label= input.Label == "spam" ? true : false; } }
يمكن العثور على مثال أكثر اكتمالا من CustomMappingEstimator
هنا .
دعم X86 بالإضافة إلى x64
في هذا الإصدار من ML.NET ، يمكنك الآن استخدام نماذج تعلُّم الآلة على أجهزة x86 / 32 بت (Windows فقط). في السابق ، كان ML.NET يقتصر على أجهزة x64 (Windows و Linux و Mac). يرجى ملاحظة أن بعض المكونات المستندة إلى الاتصالات الخارجية (على سبيل المثال ، TensorFlow) غير متوفرة على x86-Windows.
NimbusML - تجريب Python التجريبي لـ ML.NET
يوفر NimbusML روابط تجريبية لـ Python لـ ML.NET. لقد رأينا ردود فعل من المجتمع الخارجي وفرق التطوير الداخلي فيما يتعلق باستخدام العديد من لغات البرمجة. أردنا أكبر عدد ممكن من الأشخاص لاستخدام ML.NET.
لا تسمح ML.NET لعلماء البيانات فقط باستخدام نماذج التعلم الآلي في Python (مع المكونات التي يمكن استخدامها أيضًا في خطوط الأنابيب
للتعلم والتعلم ) ، ولكنها تتيح لك أيضًا حفظ النماذج التي يمكن استخدامها بسهولة في تطبيقات .NET من خلال ML.NET (المزيد انظر
هنا ).
إذا فاتك ذلك: تعليقات على واجهة برمجة التطبيقات الجديدة
يقدم ML.NET 0.6 مجموعة جديدة من واجهات برمجة التطبيقات لـ ML.NET التي توفر مرونة أكبر. لا تزال واجهات برمجة التطبيقات هذه في الإصدار 0.7 والإصدارات المستقبلية قيد التطور ، ونود أن نتلقى ملاحظاتك من أجل تحسين النظام.
هل تريد الحضور؟ اترك مراجعة على
ML.NET GitHub !
موارد إضافية
- فيما يلي أهم مفاهيم ML.NET لفهم واجهة برمجة التطبيقات الجديدة.
- يمكنك العثور على دليل هنا يوضح كيفية استخدام واجهات برمجة التطبيقات هذه لمختلف السيناريوهات الحالية والجديدة.
- يتوفر هنا رابط إلى واجهة برمجة تطبيقات ML.NET مع جميع وثائق واجهة برمجة التطبيقات.
ابدأ!
إذا لم تكن قد قمت بذلك بالفعل ، قم بتنزيل
ML.NET هنا . استكشف أيضًا موارد مفيدة أخرى:
إعلان دقيق
الرجال من AI-Community يعقدون الآن
بطولة عبر الإنترنت في Data Science مع مجموعة جوائز تبلغ 600000 روبل. انضم إلينا ، قد تهمك القضية.