Aprendizado de Máquina em C# (.NET): visão geral das bibliotecas ML.NET, Accord.NET, TensorFlow.NET

Aprendizado de Máquina em C# (.NET): visão geral das principais bibliotecas

Embora o Python seja tradicionalmente considerado a linguagem principal para aprendizado de máquina, o ecossistema C# (.NET) também oferece ferramentas poderosas e maduras para construir modelos de ML. Se sua infraestrutura é baseada no stack da Microsoft, ou se você prefere tipagem estática e alta performance, as bibliotecas para .NET ajudam a implementar inteligência artificial sem mudar de stack tecnológico. Neste artigo, vamos explorar três bibliotecas principais: ML.NET, Accord.NET e TensorFlow.NET, além de fornecer exemplos práticos de código.

1. ML.NET — biblioteca oficial da Microsoft

ML.NET é uma biblioteca de aprendizado de máquina multiplataforma e de código aberto, criada especificamente para desenvolvedores .NET. Ela permite integrar ML em aplicações sem a necessidade de aprender Python ou R. O ML.NET suporta classificação, regressão, clusterização, ranqueamento, detecção de anomalias e até aprendizado profundo através da integração com ONNX e TensorFlow.

Principais recursos:

• Transformadores embutidos para preparação de dados (normalização, codificação, concatenação).
• Seleção automática de modelo (AutoML) via AutoML.NET.
• Exportação de modelo para o formato ONNX para uso em outras plataformas.
• Suporte para treinamento em grandes volumes de dados através de IDataView.

Exemplo: classificação binária de avaliações (análise de sentimento)

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

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

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

// Carregar dados e treinarvar context = new MLContext();var data = context.Data.LoadFromTextFile<SentimentData>("data.csv", separatorChar: ',');var pipeline = context.Transforms.Text.FeaturizeText("Features", nameof(SentimentData.Text))    .Append(context.BinaryClassification.Trainers.SdcaLogisticRegression());var model = pipeline.Fit(data);

// Previsãovar predictionEngine = context.Model.CreatePredictionEngine<SentimentData, SentimentPrediction>(model);var prediction = predictionEngine.Predict(new SentimentData { Text = "This product is amazing!" });Console.WriteLine($"Positivo: {prediction.PredictedLabel}, Confiança: {prediction.Probability:P}");

Este código mostra como treinar um modelo a partir de um arquivo CSV e fazer uma previsão em poucas linhas. O ML.NET processa automaticamente os tipos de dados e cria um pipeline.

2. Accord.NET — framework clássico para computação científica

Accord.NET é um conjunto de bibliotecas para processamento de sinais, estatística e aprendizado de máquina. Ele inclui mais de 40 algoritmos: desde SVM e redes neurais até modelos ocultos de Markov. A biblioteca é amplamente utilizada no meio acadêmico e na indústria desde 2010. Diferente do ML.NET, o Accord.NET oferece um controle de mais baixo nível sobre os algoritmos.

Principais recursos:

• Ampla variedade de classificadores: KNN, NaiveBayes, RandomForest, SVM.
• Métodos de pré-processamento embutidos: PCA, LDA, normalização.
• Suporte a redes neurais (Deep Learning Toolkit).
• Integração com Math.NET para operações matemáticas complexas.

Exemplo: classificação das íris de Fisher usando KNN

using Accord.MachineLearning;using Accord.MachineLearning.VectorMachines;using Accord.Statistics.Analysis;

// Carregar dados (conjunto clássico Iris)double[][] inputs = new double[][]{    new double[] { 5.1, 3.5, 1.4, 0.2 },    new double[] { 4.9, 3.0, 1.4, 0.2 },    // ... restante