基于C# (.NET)的机器学习：从基础到生产部署

《基于C# (.NET)的机器学习》一书是一本面向.NET开发者的实用指南，帮助他们无需转向Python即可将人工智能集成到自己的应用程序中。作者阿列克谢·伊格纳季耶夫循序渐进地引导读者，从统计学和线性代数的基础知识，到在.NET平台上创建完整的模型训练和推理管道。

本书内容

• ML.NET：安装、配置、使用AutoML和自定义训练器。
• 机器学习任务：回归、二分类和多分类、聚类（K-Means）、异常检测。
• 数据处理：从CSV、SQL、NoSQL加载数据；数据清洗、归一化、独热编码、特征工程。
• 神经网络：基于TensorFlow.NET和SciSharp实现多层感知机、用于图像的卷积网络（CNN）和用于时间序列的循环网络（LSTM）。
• ONNX：模型的导出/导入，将来自PyTorch或TensorFlow的预训练神经网络集成到C#中。
• 部署：将模型发布为微服务（ASP.NET Core Web API），在桌面应用（WPF/WinForms）和移动应用（Xamarin/MAUI）中使用。
• 性能优化：多线程、GPU加速（CUDA）、基准测试和模型的A/B测试。

目标读者

本书面向具有任何机器学习基础的C#开发者：

• 初学者——可以找到从零开始的分步指南和现成示例。
• 有经验者——将学习如何优化管道、处理大数据以及将机器学习嵌入现有架构。
• 转向.NET的数据科学家——将理解如何使熟悉的方法适应微软生态系统。

你将学到什么

• 如何在30分钟内构建房价预测模型。
• 如何训练一个文本情感分析分类器。
• 如何在Azure/AWS的Docker容器中部署模型。
• 如何使用预训练神经网络进行照片中的物体识别。
• 如何避免常见错误：过拟合、类别不平衡、数据泄露。

所有代码示例均可在GitHub仓库中找到，并已在.NET 8/9上测试通过。本书包含50多个实践练习和3个贯穿始终的项目：从数据分析到完整的Web应用程序。

重要提示：本书不要求预先了解Python或高中数学以上的数学知识——必要的公式会通过直观的方式和可视化进行解释。