访问官网
GithubML.NET 示例项目介绍
ML.NET 是一个跨平台的开源机器学习框架，旨在使 .NET 开发人员能够轻松地进行机器学习的开发。在 GitHub 上的 machinelearning-samples 仓库提供了大量的样例，帮助开发者快速上手 ML.NET，并将机器学习功能融入到现有或新建的 .NET 应用程序中。
项目结构
该仓库中的样例分为两种类型：
-
入门样例：这些样例专注于 ML.NET 的代码实现，通常以简单的控制台应用程序的形式展现，帮助开发者了解每一个机器学习任务或领域的基本原理和操作步骤。
-
端到端应用：这些是面向最终用户的示例，包括一些结合 ML.NET 机器学习模型的 Web 应用和桌面应用，展示如何将机器学习模型应用于现实场景。
样例分类
样例按照不同的机器学习场景和任务进行了分类，下面是一些主要的类别：
- 二元分类：包括情感分析、垃圾邮件检测、信用卡欺诈检测和心脏病预测等。
- 多类分类：包括问题分类（如 GitHub 的问题标识）、花卉分类（如 Iris 花卉数据集）和手写数字识别（MNIST 数据集）等。
- 推荐系统：产品推荐与电影推荐通过矩阵分解算法实现。
- 回归：例如价格预测、销售预测和需求预测。
- 时间序列预测：例如销售预测。
- 异常检测：例如销售高峰检测和电力异常检测。
- 聚类：如客户分群和花卉聚类。
- 排序：实现搜索引擎结果的排序。
- 计算机视觉：包括图像分类和物体检测。
自动化模型生成
为了简化 ML.NET 的使用，官方还在开发一些自动化技术，使得用户无需手动编写代码即可生成模型。这些技术目前处于预览阶段，并支持二元分类、多类分类和回归。未来的版本中，将会支持更多的任务，如推荐、异常检测和聚类等。
具体的自动化工具包括：
-
CLI 工具：可以在任意命令提示符（Windows、Mac 或 Linux）上运行，根据提供的训练数据集生成高质量的 ML.NET 模型，并生成用于运行和训练模型的 C# 示例代码。
-
AutoML API：通过 AutoML API，可自动选择多种算法和超参数组合，从而找到高质量的模型。
社区贡献
除了官方样例，该项目还鼓励社区成员分享他们的 ML.NET 学习成果和样例。社区样例的详情可以在独立页面中查看。
学习资源与贡献
为了帮助开发人员更好地学习 ML.NET，微软提供了详尽的教程和 API 文档。开发者也欢迎参与到该项目的开发中，具体方式可参考项目的贡献指南。
这个项目已经遵循 .NET 基金会的行为准则，确保社区的成员能够在友好的环境中交流和合作。
