PowerBI技巧之ML.NET机器学习、API容器化与Azure DevOps实践（一）：简介.pdfVIP

打算使用几篇文章介绍一下.NET下的机器学习框架ML.NET 的具体应用，包括一些常用的业务场景 算法的选择 模型的训练以及 RESTful A PI的创建 机器学习服务容器化，以及基于Azure DevOps 的容器化部署等等相关的内容。如果你从来没有玩过机器学习，也从 来没有了解过ML.NET ，那么，本文将会是一个很好的开始。 机器学习是一种对算法和统计数据模型进行科学学习的方式，通过使用这种方式，计算机系统能够有效地基于模式与推断，而非遵循 特定的指令序列来完成一项特定的任务。机器学习是人工智能科学的一个分支，属于人工智能范畴。 （参考： https://en.wikipe /wiki/Machine_learning ）。 分分类类 机器学习可以分为如下几类： 监督学习 （Supervised Learning） 无监督学习 （Unsupervised Learning） 半监督学习 （Semi-supervised Learning） 增强学习 （Reinforcement Learning） 监监督督学学习习 从给定的训练数据集中学习出一种算法，当的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求是包括输入和输出， 也可以说是特征和目标。训练集中的目标是由人标注的。常见算法分为：统统计计分分类类 （Classification，根据训练模型，通过给定的特征 属性，预测目标属性属于哪个分类）和回回归归分分析析 （Regression，根据训练模型，通过给定的特征属性，预测目标属性的取值）。 无无监监督督学学习习 与监督学习相比，训练集没有人为标注的结果 （没有人会对训练数据集中的某个属性进行标注，标注其为哪个分类，或者取值是多 少）。常见算法有聚聚类类 （Clustering ） 无无监监督督异异常常情情况况检检测测 （Unsupervise A nomaly Detection）等。 半半监监督督学学习习 介于监督学习与无监督学习之间，根据部分已被标记的数据来推断未标注数据的标注信息，并实现预测。 增增强强学学习习 机器为了达成目标，随着环境的变动，而逐步调整其行为，并评估每一个行动之后所到的回馈是正向的或负向的。常见的棋局预测就 属于这一类。 机机器器学学习习算算法法评评估估标标准准 在选择了机器学习算法之后，就可以基于训练数据集，对机器学习模型进行训练，在训练结束后，可以通过一些衡量标准来寻求最优 的机器学习算法。通常，我们会使用另一部分已知结果的数据作为测试样本数据集，基于已训练好的模型进行测试预测，然后比对真 实值与预测值以对算法进行评估。机器学习算法的评估标准常见的有以下几种 （参考：/metrics- evaluate-machine-learning-algorithms-python/ ）： 统统计计分分类类 （（Classification））算算法法衡衡量量标标准准 Classification Accuracy Logarithmic Loss Area Under ROC Curve Confusion Matrix Classification Report 回回归归分分析析 （（Regression））算算法法衡衡量量标标准准 Mean Absolute rror Mean Squared rror R^2 (R-Squared) ML.NET是微软推出的一款基于.NET/.NET Core的机器学习框架，通过使用ML.NET ，开发者可以使用.NET相关语言和开发工具进行机器 学习任务的开发 测试 部署和运行。例如，根据不同的问题场景，开发者可以使用ML.NET并选择相应的算法，基于已有的训练数据 集，对机器学习模型进行训练，并将模型保存成文件或发布到云存储以备后需；也可以使用ML.NET读取已存储的训练模型，并基于给 定的测试数据集进行预测，返回预测结果。ML.NET支持自定义的机器学习算法，还能整合当下流行的机器学习平台，比如 Tensorflow ，这使得.NET下机器学习的应用变得非常简单方便。 从.NET Core 3.0开始，ML.NET将在.NET Core框架下得到原生的支持 （参考Scott Hunter的 《W hat’s Coming in .NET Core 3.0》一文），微 软官方的一些产品，例如Azure Machine Learning Win ows Defen er以及PowerP