C# (.NET) für Data Science: Ein praktischer Leitfaden

Die Welt der Data Science wird traditionell mit Python und R assoziiert, aber die .NET-Plattform bietet leistungsstarke und benutzerfreundliche Werkzeuge für Datenanalyse, maschinelles Lernen und die Erstellung von Produktionslösungen. Das Buch "C# (.NET) für Data Science" ist der erste umfassende Leitfaden in deutscher Sprache, der zeigt, wie man das .NET-Ökosystem für Data-Science-Aufgaben nutzt: von der Datenerfassung und -bereinigung bis zur Bereitstellung von Machine-Learning-Modellen in der Produktion.

Worum geht es in diesem Buch?

Das Buch deckt den gesamten Datenlebenszyklus auf der .NET-Plattform ab:

• Grundlagen der Data Science mit C#: Arbeiten mit Collections, LINQ für Datenanalyse, die Bibliotheken MathNet.Numerics und Accord.NET für statistische Berechnungen.
• Datenverarbeitung und -bereinigung: Laden von Daten aus CSV, JSON, SQL, Excel; Methoden zum Umgang mit fehlenden Werten, Ausreißern und Duplikaten mit DataFrames (Microsoft.Data.Analysis).
• Maschinelles Lernen mit ML.NET: Erstellen von Klassifikations-, Regressions-, Clustering- und Empfehlungsmodellen ohne tiefgehende Mathematikkenntnisse; automatische Hyperparameteroptimierung (AutoML).
• Tiefes Lernen: Integration mit TensorFlow.NET und PyTorch über TorchSharp zur Erstellung neuronaler Netze.
• Datenvisualisierung: Erstellen von Diagrammen mit Plotly.NET, LiveCharts2 und ScottPlot; Erstellung interaktiver Dashboards.
• Integration mit Python: Aufruf von Python-Code aus C# über Python.NET, Nutzung der Bibliotheken NumPy, Pandas, Scikit-learn in .NET-Projekten.
• Produktionslösungen: Verpacken von Modellen in Microservices mit ASP.NET Core, Bereitstellung in Docker und Azure ML.

Für wen ist dieses Buch?

• C#-Entwickler, die in die Data Science einsteigen möchten, ohne das .NET-Ökosystem zu verlassen.
• Data Scientists mit Python-Kenntnissen, die einen alternativen Technologie-Stack kennenlernen möchten.
• Studenten und Einsteiger, die maschinelles Lernen und Datenanalyse lernen.
• Teamleiter und Architekten, die die Einführung von ML in .NET-Projekte planen.

Was werden Sie lernen?

• Wie man große Datenmengen effizient mit LINQ und DataFrames verarbeitet.
• Wie man in 15 Minuten ein Machine-Learning-Modell mit C# und ML.NET erstellt und trainiert.
• Wie man Daten und Analyseergebnisse in Web- und Desktop-Anwendungen visualisiert.
• Wie man die Leistungsfähigkeit von Python-Bibliotheken mit der Performance von .NET kombiniert.
• Wie man ein Modell in der Produktion bereitstellt und eine API für dessen Nutzung erstellt.

Das Buch enthält zahlreiche praktische Beispiele, sofort einsatzbereite Code-Snippets und Projekte, die Ihnen helfen, das Gelernte sofort anzuwenden. Unabhängig von Ihrem aktuellen Kenntnisstand finden Sie in diesem Buch wertvolle Werkzeuge für die Erstellung von End-to-End-Lösungen in der Data Science auf der .NET-Plattform.

Hinweis: Zum Lesen des Buches reichen grundlegende C#-Kenntnisse und ein allgemeines Verständnis der mathematischen Statistik aus. Alle Algorithmen des maschinellen Lernens werden verständlich und praxisorientiert erklärt.