ML.NET: मॉडल बिल्डर के इंप्रेशन और न केवल

शुभ दिन और मेरी इज़्ज़त, हेबर के पाठकों!

प्रागितिहास

हमारे स्थान पर, विकास टीमों में दिलचस्प निष्कर्षों का आदान-प्रदान करने की प्रथा है। अगली बैठक में, विशेष रूप से .NET और .NET 5 के भविष्य के बारे में चर्चा करते हुए, मेरे सहयोगियों और मैंने इस चित्र से एक एकीकृत मंच को देखने पर ध्यान केंद्रित किया:

यह दिखाता है कि प्लेटफॉर्म DESKTOP, WEB, CLOUD, MOBILE, GAMING, IoT और AI को जोड़ती है। मुझे अगली बैठकों में प्रत्येक विषय पर एक छोटी रिपोर्ट + प्रश्न / उत्तर के रूप में बातचीत करने का विचार मिला। किसी विशेष विषय के लिए जिम्मेदार व्यक्ति मुख्य रूप से तैयारी कर रहा है, मुख्य नवाचारों के बारे में जानकारी पढ़ रहा है, चुने हुए तकनीक का उपयोग करके कुछ को लागू करने की कोशिश कर रहा है, और फिर हमारे साथ अपने विचारों और छापों को साझा कर रहा है। परिणामस्वरूप, सभी को विश्वसनीय स्रोत से टूल पर वास्तविक फीडबैक मिलता है - यह बहुत सुविधाजनक है, यह देखते हुए कि सभी विषयों की कोशिश करना और तूफानी करना आपके लिए आसान नहीं हो सकता है, आपके हाथों तक नहीं पहुँचा जा सकता है।

चूंकि मुझे कुछ समय के लिए एक शौक के रूप में मशीन सीखने में सक्रिय रूप से दिलचस्पी थी (और कभी-कभी काम पर गैर-व्यावसायिक कार्यों के लिए इसका उपयोग किया जाता है), मुझे एआई और एमएल.नेट का विषय मिला। तैयारी की प्रक्रिया में, मैं अद्भुत उपकरणों और सामग्रियों के साथ आया, मेरे आश्चर्य के लिए मुझे पता चला कि उनके बारे में Habré में बहुत कम जानकारी है। इससे पहले आधिकारिक ब्लॉग में Microsoft ने विशेष रूप से ML.Net , और मॉडल बिल्डर की रिलीज़ के बारे में लिखा था। मैं साझा करना चाहूंगा कि मैं उनके पास कैसे आया और मुझे उनके साथ काम करने से क्या इंप्रेशन मिला। एक पूरे के रूप में .NET में एमएल से मॉडल बिल्डर के बारे में लेख अधिक है; हम यह देखने की कोशिश करेंगे कि एमएस औसत .NET डेवलपर को क्या प्रदान करता है, लेकिन एमएल में प्रेमी व्यक्ति की आंखों से। उसी समय मैं ट्यूटोरियल को फिर से शुरू करने, शुरुआती लोगों के लिए बिल्कुल चबाने और एमएल-विशेषज्ञों के लिए विवरणों के विवरण के बीच एक संतुलन रखने की कोशिश करूंगा, जो किसी कारण से .NET में आने के लिए आवश्यक हैं।

मुख्य शरीर

इसलिए, .NET में ML के बारे में एक त्वरित googling मुझे ट्यूटोरियल पेज पर लाता है:

यह पता चला है कि मॉडल बिल्डर नामक विजुअल स्टूडियो के लिए एक विशेष एक्सटेंशन है, जो "आपको सही माउस बटन के साथ अपने प्रोजेक्ट में मशीन सीखने को जोड़ने की अनुमति देता है" (मुफ्त अनुवाद)। मैं संक्षेप में ट्यूटोरियल के मुख्य चरणों पर जाऊंगा जो किए जाने की पेशकश की जाती है, मैं विवरण और मेरे विचार जोड़ूंगा।

डाउनलोड करें और इंस्टॉल करें

बटन दबाएं, डाउनलोड करें, इंस्टॉल करें। स्टूडियो को फिर से चालू करना होगा।

अपना ऐप बनाएं

सबसे पहले, एक नियमित C # एप्लिकेशन बनाएं। ट्यूटोरियल में कोर बनाने का प्रस्ताव है, लेकिन यह भी फ्रेमवर्क के अनुरूप है। और फिर, वास्तव में, एमएल शुरू होता है - प्रोजेक्ट पर राइट-क्लिक करें, फिर जोड़ें -> मशीन लर्निंग। मॉडल बनाने के लिए दिखाई देने वाली खिड़की का विश्लेषण किया जाएगा, क्योंकि यह उस में है कि सभी जादू होता है।

एक परिदृश्य चुनें

अपने आवेदन की "स्क्रिप्ट" का चयन करें। फिलहाल, 5 उपलब्ध हैं (ट्यूटोरियल थोड़ा पुराना है, अब तक 4 हैं):

• वाक्य विश्लेषण - रागिनी का विश्लेषण, बाइनरी वर्गीकरण (बाइनरी वर्गीकरण), पाठ अपने भावनात्मक रंग, सकारात्मक या नकारात्मक को निर्धारित करता है।
• इश्यू वर्गीकरण - मल्टीस्कलैस वर्गीकरण, जारी करने के लिए लक्ष्य लेबल (टिकट, त्रुटियों, समर्थन कॉल, आदि) को तीन परस्पर अनन्य विकल्पों में से एक के रूप में चुना जा सकता है।
• मूल्य भविष्यवाणी - प्रतिगमन, क्लासिक प्रतिगमन समस्या जब आउटपुट एक निरंतर संख्या है; उदाहरण में, यह अपार्टमेंट का एक मूल्यांकन है
• छवि वर्गीकरण - बहुरंगी वर्गीकरण, लेकिन पहले से ही छवियों के लिए
• कस्टम परिदृश्य - आपका परिदृश्य; मुझे यह जानकर दुख हुआ कि इस विकल्प में कोई नई बात नहीं होगी, बस बाद के चरण में वे मुझे ऊपर वर्णित चार विकल्पों में से एक का चयन करने देंगे।

ध्यान दें कि जब कोई लक्ष्य विधि एक ही समय में कई हो सकती है, तो मल्टीलेबेल वर्गीकरण नहीं है (उदाहरण के लिए, एक बयान एक ही समय में आक्रामक, नस्लवादी और अश्लील हो सकता है, और यह इस में से कोई भी नहीं हो सकता है)। छवियों के लिए, एक विभाजन कार्य का चयन करने का कोई विकल्प नहीं है। मुझे लगता है कि ढांचे की मदद से वे आम तौर पर हल करने योग्य होते हैं, हालांकि आज हम बिल्डर पर ध्यान केंद्रित करते हैं। ऐसा लगता है कि कार्यों की संख्या का विस्तार करने के लिए विज़ार्ड को स्केल करना मुश्किल काम नहीं है, इसलिए आपको भविष्य में उनसे उम्मीद करनी चाहिए।

डाउनलोड करें और डेटा जोड़ें

यह डाटासेट डाउनलोड करने के लिए प्रस्तावित है। आपकी मशीन को डाउनलोड करने की आवश्यकता से, हम स्वचालित रूप से यह निष्कर्ष निकालते हैं कि प्रशिक्षण हमारे स्थानीय मशीन पर होगा। इसके दोनों प्लस हैं:

• आप सभी डेटा को नियंत्रित करते हैं, आप सही कर सकते हैं, स्थानीय रूप से बदल सकते हैं और प्रयोगों को दोहरा सकते हैं।
• आप क्लाउड पर डेटा अपलोड नहीं करते हैं, इस प्रकार गोपनीयता बनाए रखते हैं। आखिर, अपलोड न करें, हाँ Microsoft ? :)

और विपक्ष:

• सीखने की गति आपके स्थानीय मशीन के संसाधनों द्वारा सीमित है।

यह "फ़ाइल" प्रकार के इनपुट के रूप में डाउनलोड किए गए डेटासेट का चयन करने के लिए आगे प्रस्तावित है। "एसक्यूएल सर्वर" का उपयोग करने का एक विकल्प भी है - आपको आवश्यक सर्वर विवरण निर्दिष्ट करने की आवश्यकता होगी, फिर तालिका का चयन करें। अगर मैं सही तरीके से समझूं, तो एक विशिष्ट स्क्रिप्ट को निर्दिष्ट करना अभी तक संभव नहीं है। नीचे मैं उन समस्याओं के बारे में लिखता हूं जो मेरे पास इस विकल्प के साथ थीं।

अपने मॉडल को प्रशिक्षित करें

इस चरण में, विभिन्न मॉडलों को क्रमिक रूप से प्रशिक्षित किया जाता है, गति प्रत्येक के लिए प्रदर्शित की जाती है, और अंत में सबसे अच्छा एक का चयन किया जाता है। अरे हाँ, मैं यह बताना भूल गया कि यह AutoML है - अर्थात सबसे अच्छा एल्गोरिथ्म और पैरामीटर (निश्चित नहीं, नीचे देखें) स्वचालित रूप से चुना जाएगा, इसलिए आपको कुछ भी करने की आवश्यकता नहीं है! यह अधिकतम प्रशिक्षण समय को सेकंड की संख्या तक सीमित करने का प्रस्ताव है। इस समय की परिभाषा के लिए आंकड़े: https://github.com/dotnet/machinelearning-samples/blob/master/modelbuilder/readme.md#train । मेरी मशीन पर, डिफ़ॉल्ट 10 सेकंड में, केवल एक मॉडल सीखता है, इसलिए मुझे बहुत अधिक शर्त करनी होगी। हम शुरू करते हैं, हम इंतजार करते हैं।

यहां मैं वास्तव में जोड़ना चाहता हूं कि मॉडलों के नाम व्यक्तिगत रूप से मेरे लिए थोड़ा असामान्य लग रहा था, उदाहरण के लिए: एवरेज्डप्रैप्ट्रोनबाइनेटरी, फास्टट्रीओवा, SdcaMaximumEntropyMulti। शब्द "परसेप्ट्रॉन" का उपयोग इन दिनों बहुत बार नहीं किया जाता है, "ओवा" संभवतः एक-बनाम-सभी है, और "फास्टट्री" मुझे क्या कहना मुश्किल है।

एक और दिलचस्प तथ्य यह है कि लाइटग्मबुल्ट्टी उम्मीदवार एल्गोरिदम में से है। अगर मैं सही तरीके से समझूं, तो यह वही लाइट जीबीएम है, ग्रेडिएंट बूस्टिंग इंजन, जो कैटबॉस्ट के साथ मिलकर, अब एक्सजीओओस्ट के अकेले-अकेले नियम के साथ प्रतिस्पर्धा कर रहा है। वह वर्तमान प्रदर्शन में अपनी गति से थोड़ा निराश हैं - मेरे डेटा पर, उनके प्रशिक्षण में सबसे अधिक समय (लगभग 180 सेकंड) लगा। यद्यपि इनपुट पाठ है, इनपुट उदाहरणों की तुलना में हजारों कॉलमों को वेक्टर करने के बाद, सामान्य रूप से बूस्टिंग और पेड़ों के लिए यह सबसे अच्छा मामला नहीं है।

अपने मॉडल का मूल्यांकन करें

दरअसल, मॉडल के परिणामों का आकलन। इस चरण में, आप यह देख सकते हैं कि लक्ष्य मैट्रिक्स क्या हासिल किया गया है, साथ ही साथ मॉडल को लाइव भी चलाया जा सकता है। मेट्रिक्स के बारे में खुद यहां पढ़ा जा सकता है: एमएस और स्केलेर ।

मुझे मुख्य रूप से इस सवाल में दिलचस्पी थी - क्या परीक्षण किया गया था? उसी सहायता पृष्ठ पर एक खोज एक जवाब देती है - विभाजन बहुत रूढ़िवादी है, 80% से 20%। मुझे UI में इसे कॉन्फ़िगर करने की क्षमता नहीं मिली। व्यवहार में, मैं इसे नियंत्रित करना चाहूंगा, क्योंकि जब वास्तव में बहुत अधिक डेटा होता है, तो विभाजन 99% और 1% भी हो सकता है (एंड्रयू एनजी के अनुसार, मैं खुद ऐसे डेटा के साथ काम नहीं करता था)। रैंडम सीड डेटा सैंपलिंग सेट करने में सक्षम होना भी उपयोगी होगा, क्योंकि सर्वश्रेष्ठ मॉडल के निर्माण और चयन के दौरान पुनरावृत्ति को कम करना मुश्किल है। ऐसा लगता है कि इन विकल्पों को जोड़ना मुश्किल नहीं है, पारदर्शिता और सरलता बनाए रखने के लिए, आप उन्हें कुछ अतिरिक्त विकल्पों के चेकबॉक्स के पीछे छिपा सकते हैं।
मॉडल के निर्माण की प्रक्रिया में, गति संकेतकों के साथ गोलियां कंसोल पर प्रदर्शित होती हैं, जिनमें से पीढ़ी कोड अगले चरण से परियोजनाओं में पाया जा सकता है। हम यह निष्कर्ष निकाल सकते हैं कि उत्पन्न कोड वास्तव में काम करता है, और इसका ईमानदार आउटपुट आउटपुट है, कोई नकली नहीं।

एक दिलचस्प अवलोकन - लेख लिखते समय, मैंने एक बार फिर से बिल्डर के कदम उठाए, विकिपीडिया से टिप्पणियों के प्रस्तावित डेटासेट का उपयोग किया। लेकिन एक कार्य के रूप में मैंने "कस्टम" चुना, फिर एक लक्ष्य के रूप में एक बहु-विषयक वर्गीकरण (हालांकि केवल दो वर्ग हैं)। परिणामस्वरूप, बाइनरी वर्गीकरण के साथ स्क्रीनशॉट से गति की तुलना में गति लगभग 10% बदतर (लगभग 73% बनाम 83%) हो गई। मेरे लिए यह थोड़ा अजीब है, क्योंकि सिस्टम अनुमान लगा सकता था कि केवल दो वर्ग हैं। सिद्धांत रूप में, एक-बनाम-सभी प्रकार के क्लासीफायर (सभी के खिलाफ एक ला, जब एन-बाइनरी समस्याओं में से प्रत्येक के एन-बाइनरी समस्याओं के अनुक्रमिक समाधान के लिए कम हो जाता है) को भी इस स्थिति में एक समान बाइनरी गति दिखाना चाहिए।

कोड जनरेट करें

इस कदम पर, दो परियोजनाओं को उत्पन्न किया जाएगा और समाधान में जोड़ा जाएगा। उनमें से एक में मॉडल के उपयोग का एक पूर्ण उदाहरण है, और दूसरे को केवल तभी देखा जाना चाहिए जब कार्यान्वयन विवरण दिलचस्प हो।

अपने लिए, मुझे पता चला कि पूरी सीखने की प्रक्रिया को एक पाइप लाइन में बनाया गया है (स्किल से पिपिलीन के लिए हैलो):

// Data process configuration with pipeline data transformations var processPipeline = mlContext.Transforms.Conversion.MapValueToKey("Sentiment", "Sentiment") .Append(mlContext.Transforms.Text.FeaturizeText("SentimentText_tf", "SentimentText")) .Append(mlContext.Transforms.CopyColumns("Features", "SentimentText_tf")) .Append(mlContext.Transforms.NormalizeMinMax("Features", "Features")) .AppendCacheCheckpoint(mlContext); 

(थोड़ा फिट करने के लिए कोड के प्रारूपण को थोड़ा छुआ)

याद है, मैं मापदंडों के बारे में बात कर रहा था? मुझे कोई भी कस्टम पैरामीटर नहीं दिखाई देता, सभी डिफ़ॉल्ट मान। वैसे, FeaturizeText के आउटपुट पर SentimentText_tf लेबल का उपयोग करके FeaturizeText हम यह निष्कर्ष निकाल सकते हैं कि यह एक टर्म फ़्रीक्वेंसी है (डॉक्यूमेंट में कहा गया है कि ये टेक्स्ट के n- FeaturizeText और char- FeaturizeText हैं; मुझे आश्चर्य है कि कोई IDF, उलटा डॉक्यूमेंट फ़्रीक्वेंसी है)।

अपने मॉडल का उपभोग करें

वास्तव में, उपयोग का एक उदाहरण। मैं केवल यह नोट कर सकता हूं कि भविष्यवाणी तत्व रूप से की गई है।

खैर, यह सब वास्तव में है - हमने बिल्डर के सभी चरणों की जांच की और महत्वपूर्ण बिंदुओं को नोट किया। लेकिन यह लेख अपने स्वयं के डेटा पर परीक्षण के बिना अधूरा होगा, क्योंकि जो कोई भी कभी भी एमएल और ऑटोएमएल का सामना कर चुका है, वह पूरी तरह से अच्छी तरह से जानता है कि कोई भी स्वचालित मानक कार्यों, सिंथेटिक परीक्षणों और इंटरनेट से डेटासेट में अच्छा है। इसलिए, बिल्डर को उनके कार्यों की जांच करने का निर्णय लिया गया; इसके बाद यह हमेशा टेक्स्ट या टेक्स्ट + श्रेणीबद्ध विशेषताओं के साथ काम करता है।

यह कोई संयोग नहीं था कि मैंने एक प्रोजेक्ट पर पंजीकृत कुछ त्रुटियों / मुद्दों / दोषों के साथ एक डेटासेट को हाथ में लिया था। इसमें 2949 लाइनें, 8 असंतुलित लक्ष्य कक्षाएं, 4mb हैं।

ML.NET (नीचे दी गई सूची से लोडिंग, रूपांतरण, एल्गोरिदम; 219 सेकंड लिया)

 | Top 2 models explored | -------------------------------------------------------------------------------- | Trainer MicroAccuracy MacroAccuracy Duration #Iteration| |1 SdcaMaximumEntropyMulti 0,7475 0,5426 176,7 1| |2 AveragedPerceptronOva 0,7128 0,4492 42,4 2| -------------------------------------------------------------------------------- 

(मार्कडाउन में फिट होने के लिए प्लेट में स्टिंग किए गए voids)

मेरा पायथन संस्करण (लोड करना, सफाई करना , परिवर्तित करना, फिर LinearSVC; 41 सेकंड लिया):

 Classsification report: precision recall f1-score support Class 1 0.71 0.61 0.66 33 Class 2 0.50 0.60 0.55 5 Class 3 0.65 0.58 0.61 59 Class 4 0.75 0.60 0.67 5 Class 5 0.78 0.86 0.81 77 Class 6 0.75 0.46 0.57 13 Class 7 0.82 0.90 0.86 227 Class 8 0.86 0.79 0.82 169 accuracy 0.80 588 macro avg 0.73 0.67 0.69 588 weighted avg 0.80 0.80 0.80 588 

0.80 बनाम 0.747 माइक्रो और 0.73 बनाम 0.542 मैक्रो (मैक्रो की परिभाषा में कुछ अशुद्धि हो सकती है, अगर यह दिलचस्प है, तो मैं आपको टिप्पणियों में बताऊंगा)।

मैं सुखद आश्चर्यचकित हूं, केवल 5% अंतर। कुछ अन्य डेटासेट पर, अंतर और भी छोटा था, और कभी-कभी यह बिल्कुल भी नहीं था। अंतर की परिमाण का विश्लेषण करते समय, यह इस तथ्य को ध्यान में रखने योग्य है कि डेटासेट में नमूनों की संख्या छोटी है, और कभी-कभी, अगले अपलोड के बाद (कुछ हटा दिया जाता है, कुछ जोड़ा जाता है), मैंने 2-5 प्रतिशत की गति आंदोलनों को देखा।

जब मैं अपने दम पर प्रयोग कर रहा था, तो बिल्डर का उपयोग करने में कोई समस्या नहीं थी। हालांकि, प्रस्तुति के दौरान, सहयोगियों को अभी भी कई जाम मिले:

• हमने ईमानदारी से तालिका में से एक डेटासेट को डेटाबेस में लोड करने की कोशिश की, लेकिन एक अनजाने त्रुटि त्रुटि पर ठोकर खाई। मुझे कुछ पता था कि पाठ डेटा किस तरह की योजना है, और तुरंत पता चला कि समस्या लाइन फीड में हो सकती है। खैर, मैंने pandas.read_csv का उपयोग करके डेटासेट डाउनलोड किया, इसे \ n \ r \ t से साफ़ किया, इसे tsv में सहेजा, और आगे बढ़ा ।
• अगले मॉडल के प्रशिक्षण के दौरान, उन्हें एक अपवाद की रिपोर्ट मिली कि आकार ~ 220,000 प्रति 1000 का एक मैट्रिक्स आराम से स्मृति में फिट नहीं हो सकता है, ताकि प्रशिक्षण रोक दिया जाए। इसी समय, मॉडल भी उत्पन्न नहीं हुआ था। आगे क्या करना है यह स्पष्ट नहीं है, हम सीखने की समय सीमा को "आंख से" निर्दिष्ट करके स्थिति से बाहर हो गए - ताकि गिरने वाले एल्गोरिदम के पास काम शुरू करने का समय न हो।

वैसे, दूसरे पैराग्राफ से हम यह निष्कर्ष निकाल सकते हैं कि वैश्वीकरण के दौरान शब्दों और एन-ग्राम की संख्या वास्तव में ऊपरी सीमा तक सीमित नहीं है, और "एन" संभवतः दो के बराबर है। मैं अपने स्वयं के अनुभव से कह सकता हूं कि 200k स्पष्ट रूप से बहुत अधिक है। आमतौर पर यह या तो सबसे अक्सर होने वाली घटनाओं तक सीमित होता है, या विभिन्न प्रकार के आयामी कमी एल्गोरिदम पर लागू होता है, उदाहरण के लिए, एसवीडी या पीसीए।

निष्कर्ष

बिल्डर कई परिदृश्यों का विकल्प प्रदान करता है जिसमें मुझे महत्वपूर्ण स्थान नहीं मिले जिनके लिए एमएल में विसर्जन की आवश्यकता होती है। इस दृष्टिकोण से, यह एक उपकरण के रूप में एकदम सही है "शुरू हो रहा है" या यहां और अब सामान्य ठेठ समस्याओं को हल करना। वास्तविक उपयोग के मामले पूरी तरह से आपकी कल्पना पर निर्भर हैं। आप एमएस द्वारा दिए गए विकल्पों के लिए जा सकते हैं:

• उदाहरण के लिए, भावना मूल्यांकन (भावना विश्लेषण) की समस्या को हल करने के लिए, साइट पर उत्पादों पर टिप्पणियों में
• श्रेणियों या टीमों द्वारा टिकट वर्गीकृत करें (जारी वर्गीकरण)
• टिकटों की नकल करना जारी रखें, लेकिन कीमत की भविष्यवाणी की मदद से - समय की लागत का अनुमान लगाएं

और आप अपनी खुद की कुछ चीज़ों को जोड़ सकते हैं, उदाहरण के लिए, डेवलपर्स को आने वाली त्रुटियों / घटनाओं को वितरित करने के कार्य को स्वचालित करने के लिए, इसे टेक्स्ट (वर्गीकरण लेबल - डेवलपर के आईडी / उपनाम) द्वारा वर्गीकरण के कार्य तक कम कर सकते हैं। या आप आंतरिक कार्य केंद्र के संचालकों को खुश कर सकते हैं जो कार्ड में फ़ील्ड को अन्य फ़ील्ड या पाठ विवरण के लिए मानों के एक निश्चित सेट (ड्रॉप-डाउन सूची) के साथ भरते हैं। ऐसा करने के लिए, आपको बस csv (यहां तक ​​कि प्रयोगों के लिए कई सौ लाइनें पर्याप्त हैं) में एक चयन तैयार करने की आवश्यकता है, यूआई विज़ुअल स्टूडियो से सीधे मॉडल सिखाएं और उत्पन्न उदाहरण से कोड की प्रतिलिपि बनाकर इसे अपनी परियोजना में लागू करें। मैं इस तथ्य की ओर ले जाता हूं कि मेरी राय में ML.NET व्यावहारिक, व्यावहारिक, सांसारिक कार्यों को हल करने के लिए काफी उपयुक्त है, जिन्हें विशेष कौशल की आवश्यकता नहीं होती है और व्यर्थ समय खा जाता है। इसके अलावा, यह सबसे साधारण परियोजना में लागू किया जा सकता है, जो अभिनव होने का दावा नहीं करता है। कोई भी .NET डेवलपर जो नई लाइब्रेरी में महारत हासिल करने के लिए तैयार है, ऐसे मॉडल का लेखक बन सकता है।

मेरे पास औसत .NET डेवलपर की तुलना में थोड़ी अधिक एमएल पृष्ठभूमि है, इसलिए खुद के लिए मैंने इस तरह से फैसला किया: चित्रों के लिए, शायद नहीं, जटिल मामलों के लिए, लेकिन सरल टेबल कार्यों के लिए, निश्चित रूप से हाँ। फिलहाल, मेरे लिए किसी भी एमएल कार्य को अधिक परिचित पायथन / सुन्न / पंडों / स्कि-लर्न / केरस / पाइटोरेक टेक्नोलॉजी स्टैक पर करना अधिक सुविधाजनक है, हालाँकि, मैंने बाद में .NET .NET में एमएलनेट का उपयोग करके एम्बेड करने के लिए एक विशिष्ट मामला किया होगा। ।

वैसे, यह अच्छा है कि टेक्स्ट फ़्रेमवर्क बिना किसी अनावश्यक इशारों और उपयोगकर्ता द्वारा ट्यूनिंग की आवश्यकता के बिना पूरी तरह से काम करता है। सामान्य तौर पर, यह आश्चर्य की बात नहीं है, क्योंकि डेटा की छोटी मात्रा पर अच्छा पुराने TfIDFs जैसे कि SVC / NaiveBayes / LR जैसे क्लासिफायर के साथ काफी अच्छा काम करते हैं। यह गर्मियों के डेटाफेस्ट में iPavlov की एक रिपोर्ट में चर्चा की गई थी - कुछ टेस्ट सूट word2vec, GloVe, ELMo (सॉर्ट) और BERT की तुलना TfIdf से की गई थी। परीक्षण पर, 7-10 मामलों में से केवल एक मामले में कुछ प्रतिशत की श्रेष्ठता प्राप्त करना संभव था, हालांकि प्रशिक्षण पर खर्च किए गए संसाधनों की मात्रा बिल्कुल तुलनीय नहीं है।

पीएस जनता के बीच एमएल का लोकप्रियकरण अब चलन में है, यहां तक ​​कि " एआई बनाने के लिए Google टूल भी ले रहा है , जिसे स्कूली छात्र भी इस्तेमाल कर सकते हैं ।" यह उपयोगकर्ता के लिए सभी हास्यास्पद और सहज ज्ञान युक्त है, लेकिन वास्तव में बादल में पर्दे के पीछे क्या चल रहा है यह स्पष्ट नहीं है। इसमें, .NET डेवलपर्स के लिए, एक मॉडल बिल्डर के साथ ML.NET एक अधिक आकर्षक विकल्प की तरह दिखता है।

PSS प्रजेंटेशन धमाके के साथ बंद, साथियों को आजमाया गया :)

प्रतिक्रिया

वैसे, "एमएल .नेट मॉडल बिल्डर" शीर्षक के साथ न्यूज़लेटर्स में से एक ने कहा:

हमें अपनी प्रतिक्रिया दें
यदि आप किसी भी समस्या में भाग लेते हैं, तो महसूस करें कि कुछ गायब है, या वास्तव में ML.NET मॉडल बिल्डर के बारे में कुछ प्यार करता हूँ, आइए हमारे GitHub रेपो में एक मुद्दा बनाकर जानते हैं।
मॉडल बिल्डर अभी भी पूर्वावलोकन में है, और इस उपकरण के साथ हम जो दिशा लेते हैं, उसे चलाने में आपकी प्रतिक्रिया सुपर महत्वपूर्ण है!

इस लेख को प्रतिक्रिया माना जा सकता है!

संदर्भ

ML.NET पर

मार्गदर्शन के साथ एक पुराने लेख के लिए