C# (.NET) 数据科学实用指南

数据科学世界传统上与 Python 和 R 相关联，但 .NET 平台为数据分析、机器学习和构建生产级解决方案提供了强大且便捷的工具。本书 "C# (.NET) 数据科学实用指南" 是第一本全面的中文指南，将展示如何利用 .NET 生态系统解决数据科学任务：从数据收集和清洗到在生产环境中部署机器学习模型。

本书内容涵盖什么？

本书涵盖了在 .NET 平台上处理数据的完整流程：

• C# 数据科学基础：集合操作、用于数据分析的 LINQ、用于统计计算的 MathNet.Numerics 和 Accord.NET 库。
• 数据处理与清洗：从 CSV、JSON、SQL、Excel 加载数据；使用 DataFrames (Microsoft.Data.Analysis) 处理缺失值、异常值和重复项的方法。
• 使用 ML.NET 进行机器学习：无需深厚的数学知识即可构建分类、回归、聚类和推荐模型；自动超参数调优 (AutoML)。
• 深度学习：通过 TensorFlow.NET 和 TorchSharp 集成 PyTorch，用于创建神经网络。
• 数据可视化：使用 Plotly.NET、LiveCharts2 和 ScottPlot 绘制图表；创建交互式仪表板。
• 与 Python 集成：通过 Python.NET 从 C# 调用 Python 代码，在 .NET 项目中使用 NumPy、Pandas、Scikit-learn 等库。
• 生产级解决方案：将模型打包到 ASP.NET Core 微服务中，部署到 Docker 和 Azure ML。

本书适合哪些读者？

• 希望进入数据科学领域但不想离开 .NET 生态系统的 C# 开发者。
• 熟悉 Python 并希望掌握替代技术栈的数据科学家。
• 学习机器学习和数据分析的学生及初学者。
• 计划在 .NET 项目中引入机器学习的技术主管和架构师。

您将学到什么？

• 如何利用 LINQ 和 DataFrames 高效处理大量数据。
• 如何使用 ML.NET 在 15 分钟内用 C# 构建并训练机器学习模型。
• 如何在 Web 和桌面应用程序中可视化数据及分析结果。
• 如何将 Python 库的强大功能与 .NET 的性能相结合。
• 如何将模型部署到生产环境并创建 API 供使用。

本书包含大量实用示例、可直接使用的代码片段和项目，帮助您立即应用所学知识。无论您当前处于何种水平，都能在本书中找到在 .NET 平台上构建端到端数据科学解决方案的宝贵工具。

注意：阅读本书只需具备 C# 基础知识和对数理统计的一般理解。所有机器学习算法均以通俗易懂的方式讲解，侧重于实践。