ML.NET

ML.NET es una biblioteca de aprendizaje automático de software libre para los lenguajes de programación C# y F# . ^{[4] [5] [6]} También admite modelos Python cuando se utiliza junto con NimbusML. La versión preliminar de ML.NET incluía transformaciones para la ingeniería de características , como la creación de n-gramas , y aprendices para manejar tareas de clasificación binaria, clasificación multiclase y regresión. ^[7] Desde entonces, se han agregado tareas de aprendizaje automático adicionales, como detección de anomalías y sistemas de recomendación, y se incluirán otros enfoques, como el aprendizaje profundo, en versiones futuras. ^{[8] [9]}

ML.NET ofrece capacidades de predicción y análisis de aprendizaje automático basadas en modelos a los desarrolladores de .NET existentes. El marco se basa en .NET Core y .NET Standard, heredando la capacidad de ejecutarse en plataformas cruzadas en Linux , Windows y macOS . Aunque el marco ML.NET es nuevo, sus orígenes comenzaron en 2002 como un proyecto de Microsoft Research llamado TMSN ( búsqueda y navegación de minería de texto ) para uso interno dentro de los productos de Microsoft. Más tarde se le cambió el nombre a TLC (el código de aprendizaje) alrededor de 2011. ML.NET se derivó de la biblioteca TLC y ha superado en gran medida a su padre, dice el Dr. James McCaffrey, Microsoft Research. ^[10]

Los desarrolladores pueden entrenar un modelo de aprendizaje automático o reutilizar un modelo existente de un tercero y ejecutarlo en cualquier entorno sin conexión. Esto significa que los desarrolladores no necesitan tener experiencia en ciencia de datos para usar el marco. La compatibilidad con el formato de modelo de aprendizaje profundo de código abierto Open Neural Network Exchange ( ONNX ) se introdujo a partir de la compilación 0.3 en ML.NET. La versión incluyó otras mejoras notables como Factorization Machines, LightGBM , Ensembles, LightLDA transform y OVA. ^[11] La integración de TensorFlow en ML.NET está habilitada a partir de la versión 0.5. Se agregó compatibilidad con aplicaciones x86 y x64 a la compilación 0.7, incluidas capacidades de recomendación mejoradas con Matrix Factorization. ^[12] Se ha puesto a disposición una hoja de ruta completa de las características planificadas en el repositorio oficial de GitHub. ^[13]

La primera versión estable 1.0 del marco se anunció en Build (conferencia de desarrolladores) 2019. Incluía la incorporación de una herramienta Model Builder y capacidades de AutoML (aprendizaje automático automatizado). ^[14] Build 1.3.1 introdujo una vista previa del entrenamiento de redes neuronales profundas mediante enlaces de C# ^[15] para Tensorflow y un cargador de bases de datos que permite el entrenamiento de modelos en bases de datos. La vista previa 1.4.0 agregó puntuación ML.NET en procesadores ARM y entrenamiento de redes neuronales profundas con GPU para Windows y Linux. ^[16]

El artículo de Microsoft sobre aprendizaje automático con ML.NET demostró que es capaz de entrenar modelos de análisis de sentimientos utilizando grandes conjuntos de datos y logrando una alta precisión. Sus resultados mostraron una precisión del 95 % en el conjunto de datos de reseñas de 9 GB de Amazon. ^[17]

La CLI de ML.NET es una interfaz de línea de comandos que utiliza ML.NET AutoML para realizar el entrenamiento de modelos y elegir el mejor algoritmo para los datos. La versión preliminar de ML.NET Model Builder ^[18] es una extensión para Visual Studio que utiliza la CLI de ML.NET y ML.NET AutoML para generar el mejor modelo de ML.NET mediante una interfaz gráfica de usuario . ^[14]

La imparcialidad y la explicabilidad de la IA han sido un área de debate para los especialistas en ética de la IA en los últimos años. ^[19] Un problema importante para las aplicaciones de aprendizaje automático es el efecto de caja negra, en el que los usuarios finales y los desarrolladores de una aplicación no están seguros de cómo un algoritmo llegó a una decisión o si el conjunto de datos contiene sesgos. ^[20] La versión 0.8 incluyó API de explicabilidad de modelos que se habían utilizado internamente en Microsoft. Añadió la capacidad de comprender la importancia de las características de los modelos con la incorporación de "Importancia general de las características" y "Modelos aditivos generalizados". ^[21]

Cuando hay varias variables que contribuyen a la puntuación general, es posible ver un desglose de cada variable y qué características tuvieron el mayor impacto en la puntuación final. La documentación oficial demuestra que las métricas de puntuación se pueden generar para fines de depuración. Durante el entrenamiento y la depuración de un modelo, los desarrolladores pueden obtener una vista previa e inspeccionar los datos filtrados en vivo. Esto es posible mediante las herramientas DataView de Visual Studio . ^[22]

Microsoft Research anunció que el popular marco de aprendizaje automático basado en modelos Infer.NET, utilizado para la investigación en instituciones académicas desde 2008, se ha lanzado como código abierto y ahora es parte del marco ML.NET. ^[23] El marco Infer.NET utiliza programación probabilística para describir modelos probabilísticos, lo que tiene la ventaja adicional de la interpretabilidad. El espacio de nombres Infer.NET se ha cambiado desde entonces a Microsoft.ML.Probabilistic, de manera coherente con los espacios de nombres ML.NET. ^[24]

Microsoft reconoció que el lenguaje de programación Python es popular entre los científicos de datos, por lo que presentó NimbusML, los enlaces experimentales de Python para ML.NET. Esto permite a los usuarios entrenar y usar modelos de aprendizaje automático en Python. Se convirtió en código abierto, similar a Infer.NET. ^[12]

ML.NET permite a los usuarios exportar modelos entrenados al formato ONNX ( Open Neural Network Exchange ). ^[25] Esto establece una oportunidad para usar modelos en diferentes entornos que no usan ML.NET. Sería posible ejecutar estos modelos en el lado del cliente de un navegador usando ONNX.js, un marco de trabajo del lado del cliente de JavaScript para modelos de aprendizaje profundo creados en el formato Onnx. ^{[ cita requerida ]}

Junto con el lanzamiento de la versión preliminar de ML.NET, Microsoft lanzó tutoriales y cursos de IA gratuitos para ayudar a los desarrolladores a comprender las técnicas necesarias para trabajar con el marco. ^{[26] [27] [28]}

• aprendizaje scikit
• Acuerdo.NET
• GBM ligero
• Flujo tensorial
• Kit de herramientas cognitivas de Microsoft
• Lista de software de análisis numérico
• Lista de bibliotecas numéricas para .NET Framework

• Capellman, Jarred (2020). Aprendizaje automático práctico con ML.NET: Introducción a Microsoft ML.NET para implementar algoritmos de aprendizaje automático populares en C# . Packt Publishing. ISBN 978-1789801781.
• Mukherjee, Sudipta (2020). ML.NET Revealed: herramientas sencillas para aplicar el aprendizaje automático a sus aplicaciones . Apress. ISBN 978-1484265420.
• Esposito, Dino; Esposito, Francesco (2022). Programación ML.NET . Microsoft Press. ISBN 978-0137383658.

• Sitio web oficial