【DotNetMLLearn】.NET Core人工智能系列-概述

.NETer大家好，今天为大家送上.NET Core 下如何完成人工智能应用的系列，希望给.NETer进入人工智能领域提供一个指引。

.NET Core已经是一个全场景应用的技术栈方案，对于每一个领域都有支持。自从微软在开源发力后，.NET Core的社区能力也得到了补充。人工智能是全球热点，在人⼯智能里面Python语言是第一世界，对于不少.NET程序员要进入到该领域有不少技术的壁垒。当然有人会提到为何还要用.NET做机器学习？对于一个团队，是有技术延续性的，要投入一个新领域就要确保技术成本，如果要重新招聘⼀个Python团队，花费不少。用原有的技术能完成的事，是最好的解决方案，而且更能延续原有团队的创造力。对个人更好地把以往积累的经验应用在新领域也是非常好的事。

现阶段.NET Core 在人工智能里面能做什么？生态如何？以下是⼀些原生的.NETCore 人工智能场景下的相关技术。

.NET Interactive

在传统的数据科学里面，数据科学家喜欢用Jupyter Notebook作为主要的环境工具。（Jupyter notebook 是⼀种Web 应用，能让用户将说明文本、数学方程、代码和可视化内容全部组合到⼀个易于共享的文档中。）.NET Interactive是一种Jupyter Notebook的扩展，让.NETer在Jupyter Notebook上通过C#/F#做数据相关的工作。

NumSharp

在Python里面，我们需要用Numpy做大量数据处理，完成矩阵运算，多维数据的转换。NumSharp是第三方提供的开源的Numpy的.NET Core版本。(Github地址https:/ github.com/SciSharp/NumSharp)

.NET DataFrame

在数据科学里面，数据分析是非常重要的⼀环，Pandas是Python场景下的重要工具。而对于.NET Core通过DataFrame去完成相关数据分析工作，让你更快了解数据，调整数据。

XPlot

通过XPlot你可以把数据生成不同的图表，找出数据特征。

.NET for Apache Spark

.NET Core 原生支持大数据处理的Apache Spark

ML.NET

ML.NET 是Microsoft 的机器学习框架，它提供了⼀种在.NET 生态系统中训练、创建和运行模型的简单方法。这对.NET 开发人员来说是个好消息，因为它可以让您重用作为.NET 开发⼈员已经拥有的所有知识、技能、代码和库。然而，这不仅仅是面向.NET 开发⼈员的框架。事实上，ML.NET证明了自己是一个很棒的端到端⼯具，它使任何开发⼈员都能够创建复杂的管道并绑定到不同的数据源。

TensorFlow.NET

TensorFlow.NET (TF.NET) 为TensorFlow 提供了.NET Standard 绑定。它旨在⽤C# 实现完整的Tensorflow API，允许.NET 开发⼈员使用跨平台的.NET Standard 框架开发、训练和部署机器学习模型。TensorFlow.NET 内置了Keras ⾼级接口，并作为独立包TensorFlow.Keras 发布。(Github地址https:/ github.com/SciSharp/TensorFlow.NET)

TensorFlowSharp