在人工智慧領域，無論是機器學習，還是深度學習等，Python程式語言都是絕對的主流，儘管底層都是C++實現的，似乎人工智慧和C#/F#程式語言沒什麼關係。在人工智慧的工程實現，通常都是將Python訓練好的人工智慧模型封裝為REST API，以供其它的系統呼叫。雖然C#也確實天生就不合適搞人工智慧的訓練等，但是通過ML.NET這個開放原始碼的跨平臺機器學習框架，可以很容易的將人工智慧整合到Web、移動、桌面、遊戲和物聯網應用中。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

  什麼是機器學習呢？它的本質就是發現資料中的模式，模式以模型為載體，從而預測新的資料。通常會經過模型的選擇，資料的清洗，資料的載入，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，以及對資料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)算是一個低程式碼的機器學習平臺，可以通過圖形介面實現資料載入、模型訓練、模型評估和模型部署等功能，並且還支援強大的AutoML，從而可以獲得最適合解決方案的模型。相當於是極大的降低了人工智慧模型的訓練門檻。

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資料集，而它將生成一個ML.NET模型以及要執行的C#程式碼，以便在應用程式中使用該模型。

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.迴歸測試任務
迴歸就是從一組相關特徵中預測標籤值。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籤的資料中心，發現資料的模式種類。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
排序就是對資料記錄進行排名，比如看到的搜尋引擎中的搜尋條目。訓練器如下：

LightGbmRankingTrainer
FastTreeRankingTrainer

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

MatrixFactorizationTrainer

8.預測任務
使用過去的時序資料來預測將來的行為。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.影象分類任務
影象分類是有監督學習，就是從有標記的影象中訓練模型，然後預測影象的類別。訓練器如下：

ImageClassificationTrainer

10.物體檢測任務
就是圖片物件的檢測，比如車牌、行人、紅綠燈等。不過目前物件檢測模型訓練僅適用於使用Azure機器學習的Model Builder。

三.ML.NET API v1.7.0[1]

1.Microsoft.Extensions.MLNamespace
解析：用於擴充套件ML.NET API的實用工具，包括預測引擎池。

2.Microsoft.MLNamespace
解析：ML.NET的主名稱空間。包含應用程式和操作上下文、轉換器和訓練器目錄以及用於資料檢視處理的元件。

3.Microsoft.ML.CalibratorsNamespace
解析：包含用於二元分類校準的元件的名稱空間。

4.Microsoft.ML.DataNamespace
解析：包含資料載入和儲存、資料架構定義和模型訓練指標元件的名稱空間。

5.Microsoft.ML.RuntimeNamespace
解析：包含ML.NET執行時所需的型別的名稱空間。

6.Microsoft.ML.TimeSeriesNamespace
解析：包含時間序列相關模型的名稱空間。

7.Microsoft.ML.TrainersNamespace
解析：包含訓練程式、模型引數和實用工具的名稱空間。

8.Microsoft.ML.Trainers.FastTreeNamespace
解析：包含快速樹演演算法的訓練程式、模型引數和實用工具的名稱空間。

9.Microsoft.ML.Trainers.LightGbmNamespace
解析：包含LightGBM演演算法的訓練程式、模型引數和實用工具的名稱空間。

10.Microsoft.ML.TransformsNamespace
解析：包含資料轉換元件的名稱空間。

11.Microsoft.ML.Transforms.ImageNamespace
解析：包含影象載入和轉換元件的名稱空間。

12.Microsoft.ML.Transforms.OnnxNamespace
解析：包含ONNX模型載入和轉換元件的名稱空間。

13.Microsoft.ML.Transforms.TextNamespace
解析：包含文字資料轉換元件的名稱空間。

14.Microsoft.ML.Transforms.TimeSeriesNamespace
解析：包含時序資料轉換元件的名稱空間。

15.Microsoft.ML.VisionNamespace
解析：包含影象分類元件的名稱空間。

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應用迴歸任務。

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：根據以前的使用者評級生成影片推薦

6.影象分類
解析：展示瞭如何將現有TensorFlow模型重新訓練為使用ML.NET建立自定義影象分類器。

7.異常檢測
解析：演示如何構建針對產品銷售資料分析的異常檢測應用程式。

8.檢測影象中的物件
解析：演示如何使用預先訓練的ONNX模型檢測影象中的物件。

9.對電影評論的情緒分類
解析：瞭解載入預訓練的TensorFlow模型，對電影評論的情緒分類。

五.F#程式語言

  最後再提下F#程式語言，C#語言就不用說了，F#是C#的同門師兄弟了，並且極其擅長演演算法和並行程式設計，關鍵是可以無縫存取所有的第三方.NET庫和工具。不過遺憾的是，可能F#太高階了，在我的周圍沒有見過一個人使用，但是並不能否定F#是一門優秀的程式語言。
  在ML.NET中，不僅可以使用C#程式語言，還可以使用F#程式語言，但是F#的語法還是比較複雜的，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#語言程式設計》[17]，其它的基本都是英文的。如果感興趣可以下載，嘗試下F#程式語言，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檔案：https://docs.microsoft.com/zh-cn/dotnet/machine-learning/
[3]ML.NET教學：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機器學習檔案：https://docs.microsoft.com/zh-cn/azure/machine-learning/
[8]Azure認知服務檔案：https://docs.microsoft.com/zh-cn/azure/cognitive-services/
[9].NET for Apache Spark檔案：https://docs.microsoft.com/zh-cn/dotnet/spark/
[10].NET檔案：https://docs.microsoft.com/zh-cn/dotnet/
[11]FsLab：https://fslab.org/tutorials.html
[12]F#檔案：https://docs.microsoft.com/zh-cn/dotnet/fsharp/
[13]F#軟體基金：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彙表：https://docs.microsoft.com/zh-cn/dotnet/machine-learning/resources/glossary
[17]《F#語言程式設計》：https://url39.ctfile.com/f/2501739-627693806-97f8da?p=2096 (存取密碼: 2096)