ML.NET självstudier

Följande självstudier hjälper dig att förstå hur du använder ML.NET för att skapa anpassade maskininlärningslösningar och integrera dem i dina .NET-program:

• Attitydanalys: Använd en binär klassificeringsuppgift med hjälp av ML.NET.
• GitHub-problemklassificering: Använd en klassificeringsuppgift med flera klasser med hjälp av ML.NET.
• Prisutdiktor: Använd en regressionsaktivitet med hjälp av ML.NET.
• Iris-klustring: Använd en klustringsaktivitet med hjälp av ML.NET.
• Rekommendation: Generera filmrekommendationer baserat på tidigare användarklassificeringar
• Bildklassificering: Träna om en befintlig TensorFlow-modell för att skapa en anpassad bildklassificerare med hjälp av ML.NET.
• Avvikelseidentifiering: Skapa ett program för avvikelseidentifiering för produktförsäljningsdataanalys.
• Identifiera objekt i bilder: Identifiera objekt i bilder med hjälp av en förtränad ONNX-modell.
• Kategorisera en bild från Custom Vision ONNX-modellen: Identifiera objekt i bilder med hjälp av en ONNX-modell som tränats i Microsoft Custom Vision-tjänsten.
• Klassificera sentiment för filmrecensioner: Läs in en förtränad TensorFlow-modell för att klassificera filmrecensioners sentiment.

Nästa steg

Fler exempel som använder ML.NET finns i GitHub-lagringsplatsen dotnet/machinelearning-samples .