Maschinelles Lernen mit C# (.NET): Überblick über Bibliotheken und Werkzeuge

Maschinelles Lernen mit C# (.NET): Überblick über die wichtigsten Bibliotheken

Obwohl Python traditionell als die Hauptsprache für maschinelles Lernen (ML) gilt, bietet das C# (.NET)-Ökosystem leistungsstarke und ausgereifte Lösungen für die Integration von ML-Modellen in Unternehmensanwendungen, Webdienste und Desktop-Programme. In diesem Artikel betrachten wir die führenden Bibliotheken, die für C#-Entwickler verfügbar sind, ihre Funktionen, Anwendungsbeispiele und Einsatzszenarien.

1. ML.NET — Offizielle Bibliothek von Microsoft

ML.NET ist eine plattformübergreifende, offene und kostenlose Bibliothek für maschinelles Lernen, die von Microsoft entwickelt wurde. Sie ermöglicht es, ML-Modelle direkt in .NET-Anwendungen zu erstellen, zu trainieren und zu verwenden, ohne auf Python oder andere Sprachen wechseln zu müssen.

Hauptfunktionen:

• Unterstützung klassischer Algorithmen: Regression, Klassifikation, Clustering, Ranking.
• Deep Learning durch Integration mit TensorFlow und ONNX.
• Automatisches maschinelles Lernen (AutoML) zur Auswahl des optimalen Modells.
• Integrierte Datenverarbeitungspipelines (Transformationen, Normalisierung).
• Integration mit Visual Studio (Model Builder-Erweiterung).

Beispiel: Binäre Klassifikation (Stimmungsanalyse von Text)

using Microsoft.ML;using Microsoft.ML.Data;

public class SentimentData{    public string SentimentText { get; set; }    public bool Label { get; set; }}

public class SentimentPrediction{    public bool PredictedLabel { get; set; }    public float Probability { get; set; }}

var context = new MLContext();// Daten ladenIDataView data = context.Data.LoadFromTextFile<SentimentData>("data.tsv", separatorChar: '\\t');// Pipeline: Text-Featurisierung + Trainingvar pipeline = context.Transforms.Text.FeaturizeText("Features", nameof(SentimentData.SentimentText))    .Append(context.BinaryClassification.Trainers.SdcaLogisticRegression());// Trainingvar model = pipeline.Fit(data);// Verwendungvar engine = context.Model.CreatePredictionEngine<SentimentData, SentimentPrediction>(model);var prediction = engine.Predict(new SentimentData { SentimentText = "This is great!" });Console.WriteLine($"Predicted: {prediction.PredictedLabel}, Probability: {prediction.Probability}");

2. Accord.NET — Wissenschaftliches Rechnen

Accord.NET ist eine leistungsstarke Bibliothek, die nicht nur ML-Algorithmen, sondern auch Werkzeuge für Signalverarbeitung, Statistik, Computer Vision und neuronale Netze bereitstellt. Sie gilt als eine der umfassendsten Lösungen für .NET.

Hauptfunktionen:

• Breite Auswahl an Algorithmen: SVM, Random Forest, K-Means, Naive Bayes.
• Tiefe neuronale Netze (Accord.Neuro).
• Bild- und Videoverarbeitung (Accord.Imaging).
• Statistische Tests und Verteilungen.

Beispiel: Training eines SVM-Klassifikators

using Accord.MachineLearning.VectorMachines;using Accord.MachineLearning.VectorMachines.Learning;using Accord.Statistics.Kernels;

// Trainingsdaten (Merkmale: zwei Zahlen)double[][] inputs = {    new double[] { 0, 0 },    new double[] { 1, 1 },    new double[] { 1, 0 },    new double[] { 0, 1 }};int[] outputs = { 0, 1, 1, 0 };

// Erstellen und Trainieren einer SVM mit Gauß-Kernelvar teacher = new SequentialMinimalOptimization<Gaussian>(){    Complexity = 100};var svm = teacher.Learn(inputs, outputs);

// Vorhersageint prediction = svm.Decide(new double[] { 0.8, 0.2 });Console.WriteLine($"Predicted class: {prediction}");

3. TensorFlow.NET — .NET-Bindungen an TensorFlow

TensorFlow.NET (SciSharp) sind die offiziellen Low-Level-Bindungen an TensorFlow für .NET. Die Bibliothek ermöglicht Tensoroperationen, das Erstellen und Trainieren neuronaler Netze sowie das Laden