Machine Learning: ML.NET 1.2 erweitert die Funktionen für Vorhersagen
Ein neues Paket soll das Auffinden von Anomalien und die Vorhersagefähigkeiten des Machine-Learning-Frameworks ML.NET verbessern.
(Bild: Machine Learning & Artificial Intelligence / Mike MacKenzie / cc-by-2.0))
- Björn Bohn
Microsoft hat Version 1.2 seines für den plattformübergreifenden Einsatz ausgelegten Machine-Learning-Frameworks ML.NET vorgelegt. Neu ist unter anderem die Verfügbarkeit eines TimeSeries-Pakets, das auf Arbeiten im Bereich der Anomaliedetektion oder Vorhersagen des zukünftigen Verlaufs eines Datensatzes zugeschnitten ist. Außerdem sind wohl die ML.NET-Pakete nun allgemein verfügbar, die ein Zusammenspiel mit TensorFlow- und ONXX-Modellen ermöglichen. Im Vergleich zum vorherigen Release sind keine Breaking Changes zu erwarten, ein Update sollte also problemlos möglich sein.
Mit dem Paket Microsoft.ML.TimeSeries kommen nun Algorithmen, die auf der Intel Math Kernel Librabry aufbauen. Es soll wohl für eine Reihe an Szenarien nützlich sein, zum Beispiel um ungewöhnliche Schwankungen in einem Datensatz erkennen zu können. Ein weiteres Anwendungsszenario ist beispielsweise das Erstellen von Verkaufsvorhersagen auf Basis der vorhandenen Daten, wenn diese aller Wahrscheinlichkeit nach durch saisonale Schwankungen oder andere Zeitumstände beeinflusst werden.
ML.NET, TensorFlow und ONNX
ML.NET ist laut dem Blogbeitrag zum Release als erweiterbare Plattform ausgelegt, die auch mit anderen populären Machine-Learning-Modellen wie TensorFlow oder ONXX umgehen können soll. Microsoft hat nun mit dem Microsoft.ML.OnnxTransformer und Microsoft.ML.TensorFlow zwei Pakete mit zahlreichen Codebeispielen vorgestellt, die die Kombinationsmöglichkeiten klarer machen sollen.
Wer seine Machine-Learning-Modelle gerne in Serverless-Applikationen nutzen möchte, kann nun auf ein im Preview-Status vorliegendes Package zurückgreifen. Microsoft.Extensions.ML soll die Integration von ML.NET-Modellen in ASP.NET-Apps, Azure Functions und anderen Web Services einfacher machen. Damit können Entwickler ein Modell via Dependency Injection laden und die Ausführung des Modells für die jeweilige Umgebung optimieren.
Eine vollständige Liste der Änderungen inklusive Überarbeitungen am CLI und dem Model Builder findet sich in den Release Notes.
Siehe dazu auf heise Developer:
(bbo)
