Machine Learning mit ML.NET

Transcript

1. JÖRG NEUMANN | ACLUE GMBH
   @JOERGNEUMANN
   MACHINE LEARNING
   MIT ML.NET
   

   View Slide

2. JÖRG NEUMANN
   THEMEN
    Frontend Technologies
    Mobile Development
    Machine Learning
    Consulting, Coaching, Training
   KONTAKT
    Mail: Joerg.Neumann@Aclue.de
    Twitter: @JoergNeumann
   

   View Slide

3. Menge Komplexität Personalisierung Selbstlernend
   Einsatzszenarien
   WANN BRAUCHT MAN MACHINE LEARNING?
   

   View Slide

4. Recommendation Engines Fraud Detection Predictive Maintenance
   EINSATZFÄLLE
   

   View Slide

5. Gesundheitswesen Bots Selbstfahrende Autos
   EINSATZFÄLLE
   

   View Slide

6. Algorithmen
   Rechenleistung
   Daten
   VORAUSSETZUNGEN
   

   View Slide

7. TYPEN VON MACHINE LEARNING
   Supervised
   Learning
   Der vorherzusagende Wert
   ist in den Trainingsdaten
   enthalten.
   Unsupervised
   Learning
   Der vorherzusagende Wert
   ist nicht in den Trainingsdaten
   enthalten.
   Reinforcement
   Learning
   Selbstständiges erlernen
   einer Strategie mit Hilfe
   von Feedback.
   

   View Slide

8. if(speed<4){
   status=WALKING;
   }
   else if(speed<12){
   status=RUNNING;
   }
   else {
   status=BIKING;
   }
   if(speed<4){
   status=WALKING;
   }
   else {
   status=RUNNING;
   }
   if(speed<4){
   status=WALKING;
   }
   ?
   ML vs. Coding
   

   View Slide

9. Regeln
   Daten
   Antworten
   Traditionelle
   Programmierung
   Antworten
   Daten
   Regeln
   Machine
   Learning
   ML vs. Coding
   

   View Slide

10. Feature
    Daten Algorithmus Model App
    Label
    Wie funktioniert Machine Learning?
    

    View Slide

11. Trainings- und Testdaten
    Training Algorithmus Model Ergebnis
    Test
    Vergleich
    Daten
    

    View Slide

12. Entwickler
    › Grundlegendes Verständnis von ML
    › Verwendung von Tools & Libraries
    › Nutzung von vorgefertigten Modellen
    › Entwicklung mit Java, C# oder
    JavaScript
    Data Scientist
    › Tiefes Verständnis von ML
    › Aufbau neuronaler Netze
    › Entwicklung und Optimierung von
    Modellen
    › Entwicklung mit Python oder R
    Was bedeutet das für mich?
    

    View Slide

13. Framework für
    .NET Entwickler
    Toos zur leichten
    Entwicklung
    eigener Modelle
    Erweiterbar durch
    TensorFlow & co.
    Production ready
    C#
    F#
    http://dot.net/ml
    ML.NET
    Open Source / Cross Plattform Machine Learning Framework
    

    View Slide

14. A few things you can do with ML.NET …
    Was kann man damit machen?
    Samples @ https://github.com/dotnet/machinelearning-samples
    

    View Slide

15. ML.NET
    API
    (Code)
    ML.NET
    Model Builder
    (Visual Studio UI)
    ML.NET
    CLI
    (Command-Line
    Interface)
    C# >_
    Wie kann man ML.NET nutzen?
    

    View Slide

16. DEMO
    ML.NET
    

    View Slide

17. Deep Learning mit ML.NET
     Entwicklung auf Basis vorhandener DNN-basierter Modelle
     Ermöglicht komplexe Lösungen (Computer Vision, Speech, NLP, …)
     Vorgefertigte Modelle (ResNet, Yolo, InceptionV3, WaveNet, …)
     Support für TensorFlow, ONNX, PyTorch
    

    View Slide

18. DEMO
    Image Detection
    

    View Slide

19. Fazit
     Machine Learning eröffnet neue Möglichkeiten
     Ein grundlegendes Verständnis und das richtige Mindset sind entscheidend
     ML.NET ist ein guter Einstieg für .NET Entwickler
     Azure bietet eine Reihe vorgefertigter Lösungen an
    

    View Slide