??在人工智能領域，無論是機器學習，還是深度學習等，Python編程語言都是絕對的主流，盡管底層都是C++實現的，似乎人工智能和C#/F#編程語言沒什么關系。在人工智能的工程實現，通常都是將Python訓練好的人工智能模型封裝為REST API，以供其它的系統調用。雖然C#也確實天生就不合適搞人工智能的訓練等，但是通過ML.NET這個開放源代碼的跨平臺機器學習框架，可以很容易的將人工智能集成到Web、移動、桌面、游戲和物聯網應用中。這篇文章主要總結ML.NET的相關學習資源。

一.ML.NET模型生成器和CLI

??什么是機器學習呢？它的本質就是發現數據中的模式，模式以模型為載體，從而預測新的數據。通常會經過模型的選擇，數據的清洗，數據的加載，模型訓練，模型評估，模型測試，模型部署等幾個階段。但是，根據實際情況選擇合適的模型，以及對數據的清洗都很是需要經驗的。
1.ML.NET模型生成器
??模型生成器(Model Builder)算是一個低代碼的機器學習平臺，可以通過圖形界面實現數據加載、模型訓練、模型評估和模型部署等功能，并且還支持強大的AutoML，從而可以獲得最適合解決方案的模型。相當于是極大的降低了人工智能模型的訓練門檻。2.ML.NET CLI
??除了模型生成器外，還提供了ML.NET CLI這個.NET Core工具。可為其指定一個機器學習任務和一個訓練數據集，而它將生成一個ML.NET模型以及要運行的C#代碼，以便在應用程序中使用該模型。

二.ML.NET中的機器學習任務

1.二元分類任務
二元分類是有監督學習，顧名思義就是有2個類別的分類任務。訓練器如下：

AveragedPerceptronTrainer
SdcaLogisticRegressionBinaryTrainer
SdcaNonCalibratedBinaryTrainer
SymbolicSgdLogisticRegressionBinaryTrainer
LbfgsLogisticRegressionBinaryTrainer
LightGbmBinaryTrainer
FastTreeBinaryTrainer
FastForestBinaryTrainer
GamBinaryTrainer
FieldAwareFactorizationMachineTrainer
PriorTrainer
LinearSvmTrainer

2.多類分類任務
多類分類是有監督學習，顧名思義就是有多個類別的分類任務。訓練器如下：

LightGbmMulticlassTrainer
SdcaMaximumEntropyMulticlassTrainer
SdcaNonCalibratedMulticlassTrainer
LbfgsMaximumEntropyMulticlassTrainer
NaiveBayesMulticlassTrainer
OneVersusAllTrainer
PairwiseCouplingTrainer

3.回歸測試任務
回歸就是從一組相關特征中預測標簽值。訓練器如下：

LbfgsPoissonRegressionTrainer
LightGbmRegressionTrainer
SdcaRegressionTrainer
OlsTrainer
OnlineGradientDescentTrainer
FastTreeRegressionTrainer
FastTreeTweedieTrainer
FastForestRegressionTrainer
GamRegressionTrainer

4.聚類分析任務
聚類分析是無監督學習，簡單理解就是從沒有標簽的數據中心，發現數據的模式種類。訓練器如下：

KMeansTrainer

5.異常檢測任務
異常檢測就是對罕見事件的預測，比如地震預測等。訓練器如下：

RandomizedPcaTrainer

6.排序任務
排序就是對數據記錄進行排名，比如看到的搜索引擎中的搜索條目。訓練器如下：

LightGbmRankingTrainer
FastTreeRankingTrainer

7.推薦任務
就是推薦算法，比如推薦User、Item和Tag等，在電商、社交、短視頻中等都有廣泛的應用。訓練器如下：

MatrixFactorizationTrainer

8.預測任務
使用過去的時序數據來預測將來的行為。比如，天氣預測、季節性銷售預測和預測維護等。訓練器如下：

ForecastBySsa

9.圖像分類任務
圖像分類是有監督學習，就是從有標記的圖像中訓練模型，然后預測圖像的類別。訓練器如下：

ImageClassificationTrainer

10.物體檢測任務
就是圖片對象的檢測，比如車牌、行人、紅綠燈等。不過目前對象檢測模型訓練僅適用于使用Azure機器學習的Model Builder。

三.ML.NET API v1.7.0[1]

1.Microsoft.Extensions.MLNamespace
解析：用于擴展ML.NET API的實用工具，包括預測引擎池。

2.Microsoft.MLNamespace
解析：ML.NET的主命名空間。包含應用程序和操作上下文、轉換器和訓練器目錄以及用于數據視圖處理的組件。

3.Microsoft.ML.CalibratorsNamespace
解析：包含用于二元分類校準的組件的命名空間。

4.Microsoft.ML.DataNamespace
解析：包含數據加載和保存、數據架構定義和模型訓練指標組件的命名空間。

5.Microsoft.ML.RuntimeNamespace
解析：包含ML.NET運行時所需的類型的命名空間。

6.Microsoft.ML.TimeSeriesNamespace
解析：包含時間序列相關模型的命名空間。

7.Microsoft.ML.TrainersNamespace
解析：包含訓練程序、模型參數和實用工具的命名空間。

8.Microsoft.ML.Trainers.FastTreeNamespace
解析：包含快速樹算法的訓練程序、模型參數和實用工具的命名空間。

9.Microsoft.ML.Trainers.LightGbmNamespace
解析：包含LightGBM算法的訓練程序、模型參數和實用工具的命名空間。

10.Microsoft.ML.TransformsNamespace
解析：包含數據轉換組件的命名空間。

11.Microsoft.ML.Transforms.ImageNamespace
解析：包含圖像加載和轉換組件的命名空間。

12.Microsoft.ML.Transforms.OnnxNamespace
解析：包含ONNX模型加載和轉換組件的命名空間。

13.Microsoft.ML.Transforms.TextNamespace
解析：包含文本數據轉換組件的命名空間。

14.Microsoft.ML.Transforms.TimeSeriesNamespace
解析：包含時序數據轉換組件的命名空間。

15.Microsoft.ML.VisionNamespace
解析：包含圖像分類組件的命名空間。

四.ML.NET官方例子

1.情緒分析
解析：演示如何使用ML.NET應用二元分類任務。

2.GitHub問題分類
解析：演示如何使用ML.NET應用多類分類任務。

3.價格預測器
解析：演示如何使用ML.NET應用回歸任務。

4.Iris聚類分析
解析：演示如何使用ML.NET應用聚類分析任務。

5.推薦
解析：根據以前的用戶評級生成影片推薦

6.圖像分類
解析：展示了如何將現有TensorFlow模型重新訓練為使用ML.NET創建自定義圖像分類器。

7.異常檢測
解析：演示如何構建針對產品銷售數據分析的異常檢測應用程序。

8.檢測圖像中的對象
解析：演示如何使用預先訓練的ONNX模型檢測圖像中的對象。

9.對電影評論的情緒分類
解析：了解加載預訓練的TensorFlow模型，對電影評論的情緒分類。

五.F#編程語言

??最后再提下F#編程語言，C#語言就不用說了，F#是C#的同門師兄弟了，并且極其擅長算法和并行編程，關鍵是可以無縫訪問所有的第三方.NET庫和工具。不過遺憾的是，可能F#太高端了，在我的周圍沒有見過一個人使用，但是并不能否定F#是一門優秀的編程語言。
??在ML.NET中，不僅可以使用C#編程語言，還可以使用F#編程語言，但是F#的語法還是比較復雜的，可參考的資料[11][12][13]也很少。網上就找到了一本中文的F#書籍《F#語言程序設計》[17]，其它的基本都是英文的。如果感興趣可以下載，嘗試下F#編程語言，說不定會有新的驚喜。接下來計劃對ML.NET做一個系列的講解，但是更新不會太快。

參考文獻：
[1]ML.NET API參考：https://docs.microsoft.com/zh-cn/dotnet/api/
[2]ML.NET文檔：https://docs.microsoft.com/zh-cn/dotnet/machine-learning/
[3]ML.NET教程：https://docs.microsoft.com/zh-cn/dotnet/machine-learning/tutorials/
[4]dotnet/machinelearning-samples：https://github.com/dotnet/machinelearning-samples
[5]SciSharp STACK：https://github.com/SciSharp
[6]SciSharp/TensorFlow.NET：https://github.com/SciSharp/TensorFlow.NET
[7]Azure機器學習文檔：https://docs.microsoft.com/zh-cn/azure/machine-learning/
[8]Azure認知服務文檔：https://docs.microsoft.com/zh-cn/azure/cognitive-services/
[9].NET for Apache Spark文檔：https://docs.microsoft.com/zh-cn/dotnet/spark/
[10].NET文檔：https://docs.microsoft.com/zh-cn/dotnet/
[11]FsLab：https://fslab.org/tutorials.html
[12]F#文檔：https://docs.microsoft.com/zh-cn/dotnet/fsharp/
[13]F#軟件基金：https://fsharp.org/
[14]Q&A ML.NET：https://docs.microsoft.com/en-us/answers/topics/dotnet-mlnet.html
[15]Machine Learning at Microsoft with ML.NET：https://arxiv.org/pdf/1905.05715.pdf
[16]機器學習重要術語詞匯表：https://docs.microsoft.com/zh-cn/dotnet/machine-learning/resources/glossary
[17]《F#語言程序設計》：https://url39.ctfile.com/f/2501739-627693806-97f8da?p=2096 (訪問密碼: 2096)