ML.NET
・何なのか
ML.NET を使用すると、オンラインまたはオフラインのどちらのシナリオでも、.NET アプリケーションに機械学習を追加できます。 >ML.NET の概要とそのしくみ --
次のチュートリアルで、>これらを.NET アプリケーションに統合する方法を理解できます。
感情分析:
ML.NET を使用して[二項分類タスク]を適用する方法を示します。
GitHub の問題の分類:
ML.NET を使って[多クラス分類タスク]を適用する方法を示します。
料金予測:
ML.NET を使用して[回帰タスク]を適用する方法を示します。
アヤメのクラスタ リング: `
ML.NET を使用して[クラスタ リング]を適用する方法を示します。
推奨:
[以前のユーザー評価に基づき映画の推奨]を生成します
画像分類:
[既存の TensorFlow モデルを再トレーニング]し、ML.NET を使って[カスタム画像分類器]を作成する方法を示します。
異常検出:
製品売上データの解析用に[異常検出]アプリケーションを構築する方法を示します。
画像内のオブジェクトを検出: `
[事前トレーニング済みの ONNX モデル]を使って[画像内のオブジェクトを検出]する方法を示します。
映画レビューのセンチメント分類:
[事前トレーニング済みの TensorFlow モデル]を読み込んで、映画のレビューを[分類する]方法を示します。
..
---
（教師あり学習）
→ データのインスタンスが 2つのうちのどちらのクラス (カテゴリ) に属しているかを予測する タスク。
分類アルゴリズムの入力は、ラベル付けされた一連のサンプルであり、各ラベルは整数 0 または 1 です。
分類アルゴリズムの出力は分類子であり、ラベルのない新しいインスタンスのクラスを予測するために使用できます。
例：Twitter コメントのセンチメントが "肯定的" か "否定的" かを理解する。
例：患者が特定の病気であるかどうかを診断する。
例：電子メールを "スパム" としてマークするかどうかを決定する。
例：写真にイヌや果物などの特定のアイテムが含まれているかどうかを判断します。
（教師あり学習）
→ データのインスタンスが、多クラスの分類のうちのどれに属すか？を予測する タスク。
分類アルゴリズムの入力は、ラベル付けされた一連のサンプルです。
分類アルゴリズムの出力は分類子であり、ラベルのない新しいインスタンスのクラスを予測するために使用できます。
例：フライトを "早着"、"時間どおり"、"遅延" として分類する。
例：映画のレビューが "肯定的"、"中立"、"否定的" のどれかを理解する。
例：ホテルのレビューを "立地"、"価格"、"清潔さ" などに分類する。
（教師あり学習）
→ 関連する一連のデータの特徴から、ラベルの値を予測する タスク。
回帰タスクでは、特徴の値が変化するとラベルがどのように変化するかを判断します
回帰アルゴリズムの入力は、既知の値のラベルが付いた一連のサンプルです。
回帰アルゴリズムの出力は関数であり、新しい入力特徴のセットのラベル値を予測するために使用できます。
例：住宅の属性 (寝室数、立地、規模など) に基づいて住宅価格を予測する。
例：履歴データと現在の市場動向に基づいて将来の株価を予測する。
例：広告予算に基づいて製品の売り上げを予測する。
（教師なし学習）
→ データのインスタンスを、同様の特性を持つクラスタにグループ化する。 また、閲覧や単純な観測では論理的に導き出せない可能性のあるデータ セットにおける関係を識別することもできます。
クラスタリング アルゴリズムの入力と出力は、選択した方法によって異なります
例：ホテル選択の傾向と特性に基づいてホテルの宿泊客のセグメントを理解する。
例：対象を絞った広告キャンペーンの構築に役立つ顧客セグメントと統計データを特定する。
例：製造メトリックに基づいてインベントリを分類する。
ランキングタスクでは、ラベル付きのサンプルのセットからランカーが構築されます。 スコアが不明である新しいインスタンス グループをランク付けするように、ランカーがトレーニングされます。
レコメンデーション タスクによって、推奨される製品やサービスの一覧を作成できます。
例：ユーザーによる映画の採点の履歴データがあるときに、そのユーザーが次に見たいと思う映画を推薦できます。
予測タスクでは過去の時系列データを使用し、将来の行動を予測します
予測に適したシナリオには、気象予測、季節別の売上予測、予防保守管理などがあります。
..
---