Aprendizado de Máquina em C# (.NET): do básico à produção

O livro «Aprendizado de Máquina em C# (.NET)» é um guia prático para desenvolvedores .NET que desejam incorporar inteligência artificial em suas aplicações sem migrar para Python. O autor, Alexey Ignatiev, conduz o leitor passo a passo desde os fundamentos de estatística e álgebra linear até a criação de pipelines completos de treinamento e inferência de modelos na plataforma .NET.

Sobre o que é este livro

• ML.NET: instalação, configuração, trabalho com AutoML e trainers personalizados.
• Tarefas de aprendizado de máquina: regressão, classificação binária e multiclasse, clusterização (K-Means), detecção de anomalias.
• Trabalho com dados: carregamento de CSV, SQL, NoSQL; limpeza, normalização, one-hot-encoding, criação de features.
• Redes neurais: implementação de perceptron multicamadas, redes convolucionais (CNN) para imagens e redes recorrentes (LSTM) para séries temporais com TensorFlow.NET e SciSharp.
• ONNX: exportação/importação de modelos, integração de redes neurais prontas do PyTorch ou TensorFlow em C#.
• Implantação: publicação do modelo como microsserviço (ASP.NET Core Web API), uso em aplicações desktop (WPF/WinForms) e móveis (Xamarin/MAUI).
• Desempenho: multithreading, aceleração por GPU (CUDA), benchmarking e teste A/B de modelos.

Para quem é este livro

O livro é destinado a desenvolvedores C# de qualquer nível de experiência em ML:

• Iniciantes — encontrarão instruções passo a passo e exemplos prontos do zero.
• Experientes — aprenderão como otimizar pipelines, trabalhar com grandes volumes de dados e integrar ML em arquiteturas existentes.
• Cientistas de Dados que estão migrando para .NET — entenderão como adaptar metodologias familiares ao ecossistema Microsoft.

O que você aprenderá

• Como construir um modelo de previsão de preços de imóveis em 30 minutos.
• Como treinar um classificador para análise de sentimento de textos.
• Como implantar um modelo em um contêiner Docker no Azure/AWS.
• Como usar redes neurais pré-treinadas para reconhecimento de objetos em fotos.
• Como evitar erros comuns: overfitting, desbalanceamento de classes, vazamento de dados.

Todos os exemplos de código estão disponíveis no repositório GitHub e foram testados no .NET 8/9. O livro contém mais de 50 exercícios práticos e 3 projetos completos: desde análise de dados até uma aplicação web pronta.

Importante: o livro não exige conhecimento prévio de Python ou matemática além do nível escolar — as fórmulas necessárias são explicadas de forma intuitiva com visualizações.