Twoje Pierwsze Kroki z Machine Learning w C# – Wprowadzenie do ML.NET

Machine Learning (ML) to obecnie jeden z najgorętszych trendów w IT. O ile wiele osób kojarzy uczenie maszynowe z językami takimi jak Python, o tyle warto pamiętać, że ekosystem .NET również oferuje potężne narzędzia do tworzenia i wdrażania modeli ML. W tym wpisie pokażę Ci, jak zacząć przygodę z Machine Learning w C# z wykorzystaniem ML.NET – biblioteką od Microsoftu.

Co zyskasz, czytając ten artykuł?

    • Dowiesz się, czym jest ML.NET i dlaczego warto go poznać.
    • Poznasz podstawowe etapy tworzenia modelu uczenia maszynowego.
    • Zobaczysz przykładowy kod w C#, by łatwiej rozpocząć naukę.

Czym jest ML.NET?

Typowy przepływ pracy w ML.NET

Przykładowy kod z ML.NET

using Microsoft.ML;
using Microsoft.ML.Data;

// 1. Inicjalizacja kontekstu ML
 var mlContext = new MLContext();

// 2. Wczytanie danych
 var dataView = mlContext.Data.LoadFromTextFile<EmailData>(
    path: "emails.csv",
    hasHeader: true,
    separatorChar: ',');


// 3. Zdefiniowanie pipeline'u
 var pipeline = mlContext.Transforms.Text.FeaturizeText(
                   outputColumnName: "Features",
                   inputColumnName: nameof(EmailData.Text))
               .Append(mlContext.BinaryClassification.Trainers.SdcaLogisticRegression(
                   labelColumnName: "Label",
                   featureColumnName: "Features"));

// 4. Trenowanie modelu
 var model = pipeline.Fit(dataView);

// 5. Ocena modelu
 var predictions = model.Transform(dataView);
var metrics = mlContext.BinaryClassification.Evaluate(predictions, "Label");
Console.WriteLine($"Dokładność: {metrics.Accuracy:P2}");

// 6. Wykorzystanie modelu do predykcji
 var predictor = mlContext.Model.CreatePredictionEngine<EmailData, SpamPrediction>(model);
var sampleEmail = new EmailData { Text = "Wygrałeś nowy telefon, kliknij link!" };
var result = predictor.Predict(sampleEmail);
Console.WriteLine($"Wiadomość jest spamem: {result.PredictedLabel}");

// Klasa modelu danych
 public class EmailData
{
    [LoadColumn(0)]
    public string Text { get; set; }
    
    [LoadColumn(1), ColumnName("Label")]
    public bool IsSpam { get; set; }
}

// Klasa wynikowa
 public class SpamPrediction
{
    [ColumnName("PredictedLabel")]
    public bool PredictedLabel { get; set; }
}

    • MLContext: punkt wejścia do ML.NET.
    • LoadFromTextFile: wczytuje dane z pliku CSV, mapując je na klasę EmailData.
    • FeaturizeText: przekształca tekst na wektor liczb (tzw. wektor cech).
    • SdcaLogisticRegression: trenuje model klasyfikacji (w tym przypadku binarnej).
    • Predict: używa wytrenowanego modelu do przewidywania, czy e-mail to spam.

Dlaczego warto poznać ML w .NET?

    1. Jeden język – wiele zastosowań: Możesz pisać zarówno backend, frontend (Blazor), jak i implementować modele ML w tym samym stosie technologicznym.
    2. Dobra integracja z ekosystemem Microsoft: Łatwe wdrażanie w chmurze Azure.
    3. Wysoka wydajność: ML.NET jest ciągle rozwijane pod kątem optymalizacji.
    4. Oszczędność czasu: Jeśli już znasz .NET, to nie musisz przełączać się na zupełnie inny język.

Kluczowe zastosowania

    • Klasyfikacja (spam, kategorie produktów, rozpoznawanie nastrojów).
    • Regresja (prognozowanie cen, sprzedaży, zużycia energii).
    • Klasteryzacja (grupowanie klientów, segmentacja danych).
    • Wykrywanie anomalii (bezpieczeństwo, monitoring systemów).

Każda z tych dziedzin może znacznie skorzystać z integracji ML.NET w projekcie .NET.

Szkoła AI w C#/.NET

Jeżeli chciałbyś zgłębić temat machine learning oraz korzystać ze sztucznej intelencji w swoich aplikacjach w C#/.NET, to rozważ dołączenie do mojego kompletnego szkolenia online: Szkoła AI w C#/.NET. W tym szkoleniu nauczysz się tworzyć nowoczesne aplikacje m.in. z OpenAI, Azure AI Services oraz Machine Learning. Zbudujemy kilka aplikacji takich jak: Chat AI, Agent AI, Asystent Głosowy, Asystent Kulinarno-Dietetyczny, czy Inteligentny Asystent Kontentu. Jest to najlepsza droga by wejść do świata AI jako Programista C#/.NET.

Podsumowanie

Machine Learning w C# jest jak najbardziej możliwy i wcale nie musi ustępować popularnym rozwiązaniom opartym na Pythonie. Dzięki ML.NET możemy tworzyć modele uczenia maszynowego, integrując je bezproblemowo z istniejącymi aplikacjami .NET. To dobra wiadomość dla wszystkich, którzy nie chcą rezygnować z ulubionych narzędzi, a jednocześnie chcą korzystać z potęgi uczenia maszynowego.

Jeżeli dopiero zaczynasz przygodę z ML i AI, to zerknij na moje szkolenie Szkoła AI w C#/.NET – być może to pierwszy krok w drodze do głębszej integracji z ML i AI w świecie .NET.

To wszystkie na dzisiaj. Jeżeli taki artykuł Ci się spodobał, to koniecznie dołącz do mojej społeczności – darmowe zapisy, gdzie będziesz również miał dostęp do dodatkowych materiałów i przede wszystkim bonusów. Do zobaczenia w kolejnym artykule.