今天，我们很高兴宣布发布ML.NET 1.0。ML.NET是一个免费的、跨平台的开源机器学习框架，旨在将机器学习（ML）的强大功能引入.NET应用程序。
ML.NET GitHub：
https://github.com/dotnet/machinelearning
ML.NET允许你使用C＃或F＃训练、构建和发布自定义机器学习模型，用于情景分析、问题分类、预测、推荐等场景。你可以在我们的ML.NET样品库中查看这些常见的场景和任务。
ML.NET最初是在微软研究院内部研发，后来演变成许多微软产品使用的重要框架，例如Windows Defender、Microsoft Office（Powerpoint设计思想、Excel图表推荐）、Azure机器学习、PowerBI关键影响者等！
自推出以来，许多组织都在使用ML.NET，如SigParser（垃圾邮件检测）、William Mullens（法律问题分类）和Evolution软件（榛子水分检测）。
ML.NET 1.0版本添加了新的预览功能，如自动机器学习（AutoML）功能，ML.NET CLI和ML.NET Model Builder等新工具，这意味着，现在为你的应用程序添加机器学习模型只需点击右键！
本文的其余部分重点介绍这些新体验。
- ML.NET核心组件
- 自动机器学习预览
- ML.NET模型生成器预览
- ML.NET CLI预览
- ML.NET入门
- 未来计划
ML.NET核心组件
ML.NET旨在提供终端工作流程，以便在机器学习（预处理、特征工程、建模、评估和操作）的各个步骤中将ML用于.NET应用程序。ML.NET 1.0提供以下关键组件：
- 数据表示
- 基本ML数据管道数据类型，如IDataView——基本数据管道类型
- 阅读器支持从分隔文本文件或IEnumerable对象中读取数据
- 支持机器学习任务：
- 二进制分类
- 多级分类
- 回归
- 排序
- 异常检测
- 聚类
- 推荐（预览）
- 数据转换和特性化
- 文本
- 分类
- 特征选择
- 规范化和缺失值处理
- 图像特征化
- 时间序列（预览）
- 支持ONNX和TensorFlow模型集成（预览）
- 其他
- 模型理解和解释
- 用户定义的自定义转换
- 架构操作
- 支持数据集操作和交叉验证
自动机器学习预览
如今，机器学习入门学习过程非常艰难。在构建自定义机器学习模型时，你必须确定为你的场景选择机器学习任务（即分类或回归？），将你的数据转换为ML算法可以理解的格式（例如文本数据 - >数字向量），并微调这些ML算法以达到最佳性能。如果你是ML新手，这些步骤中的每一步都会非常艰巨！
自动机器学习通过自动确定如何转换输入数据并选择性能最佳的ML算法，使你能够轻松构建一流的自定义ML模型，使你的ML之旅更加简单。
ML.NET中的AutoML支持处于预览阶段，我们目前支持回归（用于价格预测等场景）和分类（用于情感分析、文档分类、垃圾邮件检测等场景）ML任务。
你可以使用ML.NET Model Builder、ML.NET CLI或直接使用AutoML API（可在此处找到样本）三种形式在ML.NET中体验AutoML。
对于不熟悉机器学习的用户，我们建议从Visual Studio中的ML.NET模型构建器和任何平台上的ML.NET CLI开始。AutoML API对于你想要动态构建模型的场景也非常方便。
模型生成器预览
为了简化.NET开发人员构建ML模型的过程，我们今天也很高兴地发布ML.NET模型构建器。使用ML.NET模型构建器，只需右键单击即可将机器学习添加到你的应用程序中！
Model Builder是一个简单的UI工具，供开发人员使用自己的数据集，通过AutoML使构建最佳的ML模型。除此之外，Model Builder还可以生成模型训练和模型消耗代码，以达到最佳性能，让你快速将ML添加到现有应用程序中。
Model Builder目前处于预览阶段，欢迎试用并告诉我们你的想法！
ML.NET CLI预览
ML.NET CLI（命令行界面）是我们今天推出的另一个新工具！
ML.NET CLI是一个dotnet工具，允许使用AutoML和ML.NET生成ML.NET模型。ML.NET CLI可以快速遍历你的数据集以获取特定的ML任务（目前支持回归和分类）并生成最佳模型。
CLI除了生成最佳模型外，还允许用户为最佳性能模型生成模型训练和模型消耗代码。
ML.NET CLI是跨平台的，可以轻松添加到.NET CLI。Model Builder Visual Studio扩展还使用ML.NET CLI提供模型构建器功能。
你可以通过此命令安装ML.NET CLI。
dotnet tool install -g mlnet
下图显示了ML.NET CLI构建情感分析数据集。
ML.NET CLI目前也处于预览状态，欢迎试用并分享你的想法！
开始吧！
从头开始使用ML.NET很简单，你可以通过几个简单的步骤来完成，如下所示。 下面的示例显示了如何使用ML.NET进行情绪分析。
//Step 1. Create a ML Context
var ctx = new MLContext();
//Step 2. Read in the input data for model training
IDataView dataReader = ctx.Data
.LoadFromTextFile<MyInput>(dataPath, hasHeader: true);
//Step 3. Build your estimator
IEstimator<ITransformer> est = ctx.Transforms.Text
.FeaturizeText("Features", nameof(SentimentIssue.Text))
.Append(ctx.BinaryClassification.Trainers
.LbfgsLogisticRegression("Label", "Features"));
//Step 4. Train your Model
ITransformer trainedModel = est.Fit(dataReader);
//Step 5. Make predictions using your model
var predictionEngine = ctx.Model
.CreatePredictionEngine<MyInput, MyOutput>(trainedModel);
var sampleStatement = new MyInput { Text = "This is a horrible movie" };
var prediction = predictionEngine.Predict(sampleStatement);
你还可以探索各种其他学习资源，如ML.NET的教程和资源，以及ML.NET示例、演示产品推荐、异常检测和更多实际操作等流行方案。
ML.NET的下一步
今天发布ML.NET 1.0的同时，我们的团队已经在努力为ML.NET 1.0版发布以下功能。
- 其他ML场景的AutoML体验
- 改进了对深度学习场景的支持
- 支持其他其他来源，如SQL Server、CosmosDB、Azure Blob存储等。
- 在Azure上横向扩展以进行模型训练和消耗
- 使用模型构建器和CLI时，支持其他ML方案和功能
- 用于Apache Spark和ML.NET的.NET大规模机器学习的本地集成
- .NET中的新ML类型，例如数据帧
感谢创建者
在此，我们特别鸣谢该项目的贡献者，是他们的努力让.NET开发人员可以使用机器学习。
amiteshenoy，beneyal，bojanmisic，Caraul，dan-drews，DAXaholic，dhilmathy，dzban2137，elbruno，endintiers，f1x3d，feiyun0112，forki，harshsaver，
helloguo，hvitved，Jongkeun，JorgeAndd，JoshuaLight，jwood803，kant2002，kilick，Ky7m，llRandom，malik97160，MarcinJuraszek，mareklinka，
Matei13，mfaticaearnin，mnboos，nandaleite，Nepomuceno nihitb06，Niladri24dutta，PaulTFreedman，Pielgrin，pkulikov，Potapy4，Racing5372，
rantri，rantri，rauhs，robosek，ross-p-smith，SolyarA，Sorrien，suhailsinghbains，terop，ThePiranha，Thomas-S-B，timitoc，tincann，v-tsymbalistyi，
van-tienhoang，veikkoeeva和yamachu
非常感谢，
ML.NET团队
原文链接：
https://devblogs.microsoft.com/dotnet/announcing-ml-net-1-0/