یادگیری ماشین (ML) در بسیاری از صنایع از جمله علوم، مراقبت‌های بهداشتی و تحقیقات بسیار مورد استفاده قرار می‌گیرد و محبوبیت آن فقط در حال رشد است. مایکروسافت در مارس سال 2018، ML.NET را برای کمک به علاقه مندان کار با یادگیری ماشین در NET. معرفی کرد. در این کتاب، با استفاده از #C نحوه ساخت برنامه‌های ML.NET را با مدل‌های مختلف ML موجود بررسی خواهید کرد.

کتاب Hands-On Machine Learning with ML.NET، با ارائه یک بررسی اجمالی از یادگیری ماشین (ML) و انواع الگوریتم‌های ML مورد استفاده، همراه با اینکه ML.NET چی هست است و چرا شما برای ساختن برنامه‌های ML  به آن نیاز دارد، آغاز می‌شود. سپس چارچوب ML.NET، کامپوننت‌ها و API‌های آن را بررسی خواهید کرد. این کتاب به عنوان یک راهنمای عملی برای کمک به شما در ساخت برنامه‌های هوشمند با استفاده از کتابخانه ML.NET ایفای نقش می‌کند. شما به تدریج در چگونگی پیاده سازی الگوریتم‌های یادگیری ماشین مانند رگرسیون، دسته بندی و خوشه بندی با مثال‌ها و مجموعه داده‌های دنیای واقعی کاملاً مسلط خواهید شد. هر فصل پیاده سازی عملی را پوشش می‌دهد و نحوه پیاده سازی ML را در برنامه‌های NET. نشان می‌دهد. همچنین یاد می‌گیرید که TensorFlow را با برنامه‌های ML.NET یکپارچه کنید. سپس می‌توانید نحوه ذخیره نتیجه پیش بینی قیمت مسکن مدل رگرسیون را در پایگاه داده را بررسی کرده و نتایج پیش بینی شده بلادرنگ از پایگاه داده را روی برنامه وب خود با استفاده از ASP.NET Core Blazor و SignalR نمایش دهید. در پایان این کتاب، شما آموخته اید که چگونه با اطمینان کار‌های یادگیری ماشین سطح پایه تا پیشرفته را با ML.NET انجام دهید.

اگر شما یک توسعه دهنده دات نت هستید که می‌خواهید مدل‌های یادگیری ماشین را با استفاده از ML.NET پیاده سازی کنید، این کتاب برای شما مناسب است. این کتاب همچنین برای دانشمندان داده و توسعه دهندگان یادگیری ماشین که به دنبال ابزارهای مؤثر برای پیاده سازی الگوریتم‌های مختلف یادگیری ماشین هستند، مفید خواهد بود. دانش پایه ای از سی شارپ یا دات نت برای درک مؤثر مفاهیم این کتاب ضروری است.

مطالبی که در کتاب یادگیری ماشین با ML.NET، خواهید آموخت:

• درک API‌ها و کامپوننت‌های چارچوب ML.NET با استفاده از کد سی شارپ
• توسعه مدل‌های رگرسیون با استفاده از ML.NET برای پیش بینی قیمت مسکن
• آموزش و ارزیابی مدل‌های دسته بندی برای پیش بینی احساسات نظرات وبسایت خودتان
• کار با مدل‌های خوشه بندی برای تقسیم مشتری محصول شما برای فروش
• نمایش بلادرنگ نتایج پیش بینی شده ذخیره شده در برنامه‌های وب با استفاده از ASP.NET Core Blazor و SignalR
• کار با Entity Framework (EF) و Web API‌ها در ASP.NET Core Blazor
• بررسی نحوه یکپارچه کردن TensorFlow با برنامه ML.NET