Машинное обучение на C# (.NET): от основ до продакшена

Книга «Машинное обучение на C# (.NET)» — это практическое руководство для .NET-разработчиков, которые хотят внедрять искусственный интеллект в свои приложения без перехода на Python. Автор, Алексей Игнатьев, последовательно ведёт читателя от основ статистики и линейной алгебры до создания полноценных пайплайнов обучения и инференса моделей на платформе .NET.

О чём эта книга

• ML.NET: установка, конфигурация, работа с AutoML и кастомными тренерами.
• Задачи машинного обучения: регрессия, бинарная и многоклассовая классификация, кластеризация (K-Means), обнаружение аномалий.
• Работа с данными: загрузка из CSV, SQL, NoSQL; очистка, нормализация, one-hot-кодирование, создание признаков.
• Нейронные сети: реализация многослойного перцептрона, свёрточных сетей (CNN) для изображений и рекуррентных сетей (LSTM) для временных рядов на базе TensorFlow.NET и SciSharp.
• ONNX: экспорт/импорт моделей, интеграция готовых нейросетей из PyTorch или TensorFlow в C#.
• Развёртывание: публикация модели как микросервиса (ASP.NET Core Web API), использование в десктопных (WPF/WinForms) и мобильных (Xamarin/MAUI) приложениях.
• Производительность: многопоточность, GPU-ускорение (CUDA), бенчмаркинг и A/B-тестирование моделей.

Для кого эта книга

Книга предназначена для C#-разработчиков с любым уровнем подготовки в ML:

• Начинающие — найдут пошаговые инструкции и готовые примеры с нуля.
• Опытные — узнают, как оптимизировать пайплайны, работать с большими данными и встраивать ML в существующую архитектуру.
• Data Scientist'ы, переходящие на .NET — поймут, как адаптировать привычные методики под экосистему Microsoft.

Что вы узнаете

• Как построить модель прогнозирования цен на жильё за 30 минут.
• Как обучить классификатор для анализа тональности текстов.
• Как развернуть модель в Docker-контейнере на Azure/AWS.
• Как использовать предобученные нейросети для распознавания объектов на фото.
• Как избежать типовых ошибок: переобучение, дисбаланс классов, утечка данных.

Все примеры кода доступны в репозитории GitHub и протестированы на .NET 8/9. Книга содержит более 50 практических задач и 3 сквозных проекта: от анализа данных до готового веб-приложения.

Важно: книга не требует предварительного знания Python или математики выше школьного уровня — необходимые формулы объясняются на интуитивном уровне с визуализациями.