Mastering .NET Machine Learning

Manual avanzado enfocado en la aplicación de algoritmos de ciencia de datos y aprendizaje automático dentro del ecosistema .NET (enfocado en .NET Framework 4.6 y las primeras versiones preliminares de .NET Core). Está concebido para desarrolladores e ingenieros de software .NET de nivel intermedio a avanzado que dominan C# o F# y desean incorporar capacidades predictivas en sus sistemas empresariales sin migrar su infraestructura a Python o R.

El autor aprovecha las ventajas del paradigma funcional de F# y sus Type Providers (mediante FSharp.Data) para la ingestión y transformación de datos, apoyándose en librerías nativas como Accord.NET, Math.NET Numerics y numl. A lo largo del texto se explican modelos de regresión lineal y multivariada, árboles de decisión, vecinos más cercanos (k-NN), clasificadores Naïve Bayes, técnicas de agrupamiento, optimización de hiperparámetros, selección de características (feature selection) y redes neuronales artificiales, culminando con la preparación de arquitecturas para Big Data y dispositivos de Internet de las Cosas (IoT).

El aprendizaje se articula a través del análisis de conjuntos de datos empresariales clásicos y datos públicos: el lector entrena modelos sobre la base de datos relacional AdventureWorks y cruza registros de tráfico y accidentes para predecir siniestros viales. Su mayor mérito consiste en demostrar la madurez del ecosistema de algoritmos en .NET previa a la aparición de ML.NET. No obstante, al haber sido publicado en 2016, queda al margen de las APIs modernas de Microsoft y de frameworks actuales de aprendizaje profundo. Conviene tener familiaridad con la sintaxis de F# para aprovechar plenamente el código.