Aprendizaje automático en C# (.NET): desde los fundamentos hasta la producción

El libro «Aprendizaje automático en C# (.NET)» es una guía práctica para desarrolladores .NET que desean incorporar inteligencia artificial en sus aplicaciones sin migrar a Python. El autor, Alexéi Ignátiev, guía al lector de manera secuencial desde los fundamentos de estadística y álgebra lineal hasta la creación de pipelines completos de entrenamiento e inferencia de modelos en la plataforma .NET.

De qué trata este libro

• ML.NET: instalación, configuración, trabajo con AutoML y entrenadores personalizados.
• Tareas de aprendizaje automático: regresión, clasificación binaria y multiclase, agrupamiento (K-Means), detección de anomalías.
• Trabajo con datos: carga desde CSV, SQL, NoSQL; limpieza, normalización, codificación one-hot, creación de características.
• Redes neuronales: implementación de perceptrón multicapa, redes convolucionales (CNN) para imágenes y redes recurrentes (LSTM) para series temporales basadas en TensorFlow.NET y SciSharp.
• ONNX: exportación/importación de modelos, integración de redes neuronales preentrenadas de PyTorch o TensorFlow en C#.
• Implementación: publicación del modelo como microservicio (ASP.NET Core Web API), uso en aplicaciones de escritorio (WPF/WinForms) y móviles (Xamarin/MAUI).
• Rendimiento: multiproceso, aceleración por GPU (CUDA), benchmarking y pruebas A/B de modelos.

Para quién es este libro

El libro está dirigido a desarrolladores de C# con cualquier nivel de preparación en ML:

• Principiantes: encontrarán instrucciones paso a paso y ejemplos listos desde cero.
• Experimentados: aprenderán a optimizar pipelines, trabajar con grandes datos e integrar ML en la arquitectura existente.
• Científicos de datos que migran a .NET: comprenderán cómo adaptar las metodologías habituales al ecosistema de Microsoft.

Qué aprenderá

• Cómo construir un modelo de predicción de precios de vivienda en 30 minutos.
• Cómo entrenar un clasificador para análisis de sentimiento de textos.
• Cómo implementar un modelo en un contenedor Docker en Azure/AWS.
• Cómo usar redes neuronales preentrenadas para reconocimiento de objetos en fotos.
• Cómo evitar errores típicos: sobreajuste, desbalanceo de clases, fuga de datos.

Todos los ejemplos de código están disponibles en el repositorio de GitHub y han sido probados en .NET 8/9. El libro contiene más de 50 ejercicios prácticos y 3 proyectos transversales: desde análisis de datos hasta una aplicación web completa.

Importante: el libro no requiere conocimiento previo de Python ni matemáticas más allá del nivel escolar — las fórmulas necesarias se explican a nivel intuitivo con visualizaciones.