Maschinelles Lernen mit C# (.NET): Von den Grundlagen bis zur Produktion

Das Buch „Maschinelles Lernen mit C# (.NET)“ ist ein praktischer Leitfaden für .NET-Entwickler, die künstliche Intelligenz in ihre Anwendungen integrieren möchten, ohne auf Python umsteigen zu müssen. Der Autor, Alexey Ignatiev, führt den Leser konsequent von den Grundlagen der Statistik und linearen Algebra bis zur Erstellung vollständiger Pipelines für das Training und die Inferenz von Modellen auf der .NET-Plattform.

Worum es in diesem Buch geht

• ML.NET: Installation, Konfiguration, Arbeit mit AutoML und benutzerdefinierten Trainern.
• Aufgaben des maschinellen Lernens: Regression, binäre und Multiklassen-Klassifikation, Clustering (K-Means), Anomalieerkennung.
• Datenarbeit: Laden aus CSV, SQL, NoSQL; Bereinigung, Normalisierung, One-Hot-Encoding, Feature-Engineering.
• Neuronale Netze: Implementierung eines mehrschichtigen Perzeptrons, Convolutional Neural Networks (CNN) für Bilder und rekurrenter Netze (LSTM) für Zeitreihen basierend auf TensorFlow.NET und SciSharp.
• ONNX: Export/Import von Modellen, Integration fertiger neuronaler Netze aus PyTorch oder TensorFlow in C#.
• Bereitstellung: Veröffentlichung des Modells als Mikroservice (ASP.NET Core Web API), Verwendung in Desktop- (WPF/WinForms) und mobilen (Xamarin/MAUI) Anwendungen.
• Leistung: Multithreading, GPU-Beschleunigung (CUDA), Benchmarking und A/B-Testing von Modellen.

Für wen dieses Buch gedacht ist

Das Buch richtet sich an C#-Entwickler mit jedem Kenntnisstand im Bereich ML:

• Anfänger – finden Schritt-für-Schritt-Anleitungen und fertige Beispiele von Grund auf.
• Erfahrene – erfahren, wie sie Pipelines optimieren, mit großen Datenmengen arbeiten und ML in bestehende Architekturen integrieren.
• Data Scientists, die zu .NET wechseln – verstehen, wie sie vertraute Methoden an das Microsoft-Ökosystem anpassen können.

Was Sie lernen werden

• Wie Sie in 30 Minuten ein Modell zur Vorhersage von Immobilienpreisen erstellen.
• Wie Sie einen Klassifikator für die Stimmungsanalyse von Texten trainieren.
• Wie Sie ein Modell in einem Docker-Container auf Azure/AWS bereitstellen.
• Wie Sie vortrainierte neuronale Netze zur Objekterkennung in Fotos nutzen.
• Wie Sie typische Fehler vermeiden: Überanpassung, Klassenungleichgewicht, Datenlecks.

Alle Codebeispiele sind im GitHub-Repository verfügbar und wurden mit .NET 8/9 getestet. Das Buch enthält über 50 praktische Aufgaben und 3 durchgängige Projekte: von der Datenanalyse bis zur fertigen Webanwendung.

Wichtig: Das Buch setzt keine Vorkenntnisse in Python oder Mathematik über dem Schulniveau voraus – die notwendigen Formeln werden auf intuitive Weise mit Visualisierungen erklärt.