Машинное обучение и C# (.NET): от основ до продакшена

Книга «Машинное обучение и C# (.NET)» — это практическое руководство для разработчиков на C#, которые хотят освоить машинное обучение (ML) и интегрировать его в свои .NET-приложения. В отличие от множества книг, ориентированных исключительно на Python, это издание фокусируется на экосистеме .NET, включая библиотеку ML.NET, TensorFlow.NET и другие инструменты.

О чём эта книга

Вы пройдёте путь от базовых концепций машинного обучения до создания полноценных ML-решений, готовых к развёртыванию в продакшене. Книга охватывает:

• Основы машинного обучения: типы задач (регрессия, классификация, кластеризация), метрики качества, переобучение и регуляризация.
• Работа с данными в C#: загрузка, очистка, трансформация и визуализация данных с помощью LINQ и библиотеки Accord.NET.
• ML.NET — фреймворк для ML от Microsoft: создание моделей, автоматический подбор гиперпараметров (AutoML), экспорт и интеграция в приложения.
• Глубокое обучение: использование TensorFlow.NET и TorchSharp для построения нейронных сетей (CNN, RNN, трансформеры).
• Развёртывание моделей: создание API на ASP.NET Core, интеграция с облачными сервисами Azure ML и Docker-контейнеризация.
• Практические проекты: анализ тональности текстов, предсказание оттока клиентов, распознавание изображений и рекомендательные системы.

Для кого эта книга

• .NET-разработчиков, желающих расширить свои навыки в области Data Science и AI.
• Программистов на C#, которые хотят внедрить машинное обучение в существующие корпоративные приложения.
• Студентов и начинающих ML-инженеров, знакомых с C#, но не имеющих опыта в машинном обучении.
• Технических лидеров, оценивающих возможности .NET для задач искусственного интеллекта.

Что вы узнаете

• Как подготовить данные для ML-моделей, используя возможности C# и .NET.
• Как обучать модели регрессии, классификации, кластеризации и ранжирования на платформе .NET.
• Как работать с нейронными сетями, включая трансформеры и свёрточные архитектуры, без перехода на Python.
• Как автоматизировать процесс выбора лучшей модели с помощью ML.NET AutoML.
• Как интегрировать обученные модели в веб-приложения, десктопные программы и микросервисы.
• Как тестировать и мониторить ML-модели в production-среде.

Все примеры кода доступны в репозитории и полностью готовы к запуску. Книга написана простым языком, с акцентом на практику и реальные сценарии использования. После её прочтения вы сможете уверенно применять машинное обучение в своих проектах на C# и .NET.