Apprentissage automatique en C# (.NET) : des bases à la mise en production

Le livre « Apprentissage automatique en C# (.NET) » est un guide pratique pour les développeurs .NET qui souhaitent intégrer l'intelligence artificielle dans leurs applications sans passer par Python. L'auteur, Alexeï Ignatiev, guide progressivement le lecteur des bases des statistiques et de l'algèbre linéaire jusqu'à la création de pipelines complets d'entraînement et d'inférence de modèles sur la plateforme .NET.

De quoi parle ce livre

• ML.NET : installation, configuration, travail avec AutoML et les entraîneurs personnalisés.
• Tâches d'apprentissage automatique : régression, classification binaire et multiclasse, clustering (K-Means), détection d'anomalies.
• Travail avec les données : chargement depuis CSV, SQL, NoSQL ; nettoyage, normalisation, encodage one-hot, création de caractéristiques.
• Réseaux de neurones : implémentation du perceptron multicouche, des réseaux convolutifs (CNN) pour les images et des réseaux récurrents (LSTM) pour les séries temporelles basés sur TensorFlow.NET et SciSharp.
• ONNX : exportation/importation de modèles, intégration de réseaux de neurones préexistants depuis PyTorch ou TensorFlow en C#.
• Déploiement : publication du modèle en tant que microservice (ASP.NET Core Web API), utilisation dans des applications de bureau (WPF/WinForms) et mobiles (Xamarin/MAUI).
• Performance : multithreading, accélération GPU (CUDA), benchmarking et tests A/B des modèles.

À qui s'adresse ce livre

Ce livre est destiné aux développeurs C# de tout niveau en ML :

• Les débutants y trouveront des instructions pas à pas et des exemples prêts à l'emploi à partir de zéro.
• Les expérimentés apprendront à optimiser les pipelines, à travailler avec de grands volumes de données et à intégrer le ML dans une architecture existante.
• Les Data Scientists qui passent à .NET comprendront comment adapter leurs méthodes habituelles à l'écosystème Microsoft.

Ce que vous apprendrez

• Comment construire un modèle de prédiction des prix de l'immobilier en 30 minutes.
• Comment entraîner un classifieur pour l'analyse de sentiment de textes.
• Comment déployer un modèle dans un conteneur Docker sur Azure/AWS.
• Comment utiliser des réseaux de neurones pré-entraînés pour la reconnaissance d'objets sur des photos.
• Comment éviter les erreurs typiques : surapprentissage, déséquilibre des classes, fuite de données.

Tous les exemples de code sont disponibles dans le dépôt GitHub et ont été testés sur .NET 8/9. Le livre contient plus de 50 exercices pratiques et 3 projets transversaux : de l'analyse de données à une application web complète.

Important : le livre ne nécessite pas de connaissance préalable de Python ou de mathématiques au-delà du niveau scolaire — les formules nécessaires sont expliquées de manière intuitive avec des visualisations.