Condividi tramite


Che cos'è un modello di Machine Learning?

Un modello di Machine Learning è un oggetto (archiviato localmente in un file) sottoposto a training per riconoscere determinati tipi di modelli. Si esegue il training di un modello su un set di dati, fornendo un algoritmo che può essere usato per ragionare e apprendere da tali dati.

Dopo aver eseguito il training del modello, è possibile usarlo per ragionare sui dati che non sono stati visti in precedenza ed eseguire stime su tali dati. Si supponga, ad esempio, di voler creare un'applicazione in grado di riconoscere le emozioni di un utente in base alle espressioni facciali. È possibile eseguire il training di un modello fornendo immagini di visi che sono ognuna contrassegnata con una determinata emozione e quindi è possibile usare tale modello in un'applicazione in grado di riconoscere le emozioni di qualsiasi utente.

grafica del flusso del modello di Windows ML

Quando usare Machine Learning

Gli scenari di Machine Learning validi hanno spesso le proprietà comuni seguenti:

  1. Implicano una decisione o una valutazione ripetuta che si vuole automatizzare e richiedere risultati coerenti.
  2. È difficile o impossibile descrivere in modo esplicito la soluzione o i criteri alla base di una decisione.
  3. Sono stati etichettati dati o esempi esistenti in cui è possibile descrivere la situazione ed eseguirne il mapping al risultato corretto.

Windows Machine Learning usa il formato Open Neural Network Exchange (ONNX) per i modelli. È possibile scaricare un modello con training preliminare oppure eseguire il training del proprio modello. Per ulteriori informazioni, consulta Scarica i modelli ONNX per Windows ML.

Inizia

Per iniziare a usare Windows Machine Learning, seguire una delle esercitazioni complete o passare direttamente agli esempi di Windows Machine Learning .

Nota

Usare le risorse seguenti per assistenza con Windows ML:

  • Per porre o rispondere a domande tecniche su Windows ML, usare il tag windows-machine learning in Stack Overflow.
  • Per segnalare un bug, apri un ticket nel GitHub.