Machine Learning C# .NET

ML.NET (Microsoft.ML) in C# – Machine Learning per sviluppatori .NET

ML.NET in C#: machine learning per sviluppatori .NET senza Python. Regressione, classificazione, preprocessing, visualizzazione e deploy del modello.

Descrizione del corso

ML.NET in C#: machine learning integrato nel tuo stack .NET

Vuoi integrare il machine learning nelle tue applicazioni .NET senza dover imparare Python, TensorFlow o scikit-learn? ML.NET è la risposta di Microsoft: una libreria nativa per C# che ti permette di addestrare, valutare e deployare modelli predittivi direttamente nel tuo progetto. In questo corso costruiamo tutto passo passo — dalla prima regressione lineare fino alla classificazione binaria, al preprocessing avanzato e alla visualizzazione dei risultati.

Cosa imparerai

  • Cos'è la regressione lineare e quando usarla in contesti reali
  • Creare un progetto C# con ML.NET e preparare i dati con le classi giuste
  • Addestrare un modello e usare il Prediction Engine per previsioni in tempo reale
  • Misurare i tempi di addestramento con Stopwatch e ottimizzare le performance
  • Applicare tutto in un esercizio completo: previsione del guadagno da pannelli solari
  • Salvare un modello addestrato in file ZIP e ricaricarlo senza riaddestrare
  • Visualizzare dati e linea di regressione con ScottPlot (scatter plot + regressione)
  • Costruire un classificatore binario per decisioni automatiche sì/no
  • Applicare la classificazione binaria alla manutenzione predittiva con calcolo della probabilità
  • Estendere alla regressione multivariata con più variabili indipendenti
  • Pulire e trasformare dati con Transforms: gestione valori mancanti, custom mapping, one-hot encoding
  • Applicare la normalizzazione Min-Max e convertire tipi di dato nella pipeline
  • Valutare il modello con le metriche fondamentali: R², MAE e RMSE

ML senza cambiare stack

Il vantaggio di ML.NET non è solo tecnico — è strategico. Se il tuo team lavora già in C# e .NET, aggiungere ML.NET significa nessun nuovo linguaggio, nessun ambiente separato, nessuna integrazione complessa. I modelli vivono dentro le tue applicazioni, con le stesse convenzioni e lo stesso tooling che già conosci.

Per chi è questo corso

Pensato per sviluppatori .NET che vogliono esplorare il machine learning senza uscire dall'ecosistema C#. Non è richiesta esperienza ML precedente, ma serve una buona padronanza di C# e .NET.

Elenco delle lezioni

Scopriamo cos'è ML.NET, la libreria Microsoft per il machine learning in C#, e capiamo quando usare la regressione lineare in contesti reali: previsione di valori continui, stime economiche, analisi di tendenze.

Guarda lezione

Configuriamo insieme un progetto C# con il pacchetto Microsoft.ML e strutturiamo le classi di input e output per rappresentare correttamente i dati che passeremo alla pipeline di addestramento.

Guarda lezione

Addestriamo il nostro primo modello di regressione lineare con ML.NET: costruiamo la pipeline con l'algoritmo SDCA, carichiamo il dataset e avviamo il training in C#, osservando cosa produce il processo.

Guarda lezione

Vediamo come usare il Prediction Engine di ML.NET per ottenere una previsione in tempo reale partendo da un nuovo dato di input: creiamo l’engine, costruiamo l’oggetto di input e leggiamo il valore predetto.

Guarda lezione

Ti mostro come misurare i tempi di addestramento del modello ML.NET usando la classe Stopwatch di C#, così puoi confrontare algoritmi diversi e capire l’impatto del preprocessing sulle performance totali.

Guarda lezione

Esercizio completo end-to-end: applichiamo la regressione lineare con ML.NET per prevedere il guadagno economico generato da pannelli solari, dal caricamento dei dati alla previsione finale su nuovi valori.

Guarda lezione

Vediamo come salvare un modello ML.NET già addestrato su disco come file ZIP con DataOperationsCatalog e come ricaricarlo successivamente, evitando di ripetere il training ad ogni avvio dell’applicazione.

Guarda lezione

Ti spiego come verificare all’avvio se un modello ML.NET è già presente su disco: se esiste lo ricarichiamo, altrimenti lo addestriamo e lo salviamo. Un pattern fondamentale per applicazioni .NET in produzione.

Guarda lezione

Visualizziamo i dati di training con la libreria ScottPlot in C#: creiamo un grafico scatter plot per analizzare visivamente la distribuzione dei punti e le relazioni tra variabili prima di valutare il modello.

Guarda lezione

Aggiungiamo la linea di regressione lineare al grafico ScottPlot calcolando i valori predetti sull’intero range di input, per confrontarla con i dati reali e validare visivamente la qualità dell’approssimazione.

Guarda lezione

Costruiamo insieme un classificatore binario con ML.NET in C# per automatizzare decisioni semplici sì/no: scegliamo l’algoritmo, definiamo le classi, addestriamo il modello e verifichiamo le previsioni.

Guarda lezione

Applichiamo la classificazione binaria ML.NET a un caso reale di manutenzione predittiva: il modello prevede se un componente andrà in guasto e restituisce anche la probabilità associata alla previsione.

Guarda lezione

Estendiamo il modello a più variabili indipendenti con la regressione multivariata ML.NET: aggiungiamo feature alla pipeline, riaddestria il modello e confrontiamo la qualità delle stime ottenute.

Guarda lezione

Puliamo e trasformiamo i dati con i Transforms di ML.NET nel progetto 'Bus': gestione dei valori mancanti con ReplaceMissingValues, custom mapping per colonne derivate e one-hot encoding per le variabili categoriche.

Guarda lezione

Applichiamo il custom mapping di ML.NET per creare trasformazioni personalizzate sui dati, generando nuove colonne derivate con logica C# arbitraria inserita direttamente nella pipeline di preprocessing.

Guarda lezione

Ti spiego il One-Hot Encoding in ML.NET e come convertire variabili categoriche, sia testuali che numeriche, in vettori binari sparse che gli algoritmi di machine learning riescono a elaborare correttamente.

Guarda lezione

Vediamo la normalizzazione Min-Max in ML.NET per portare tutte le feature numeriche nello stesso range, e come convertire i tipi di dato all’interno della pipeline prima di passare all’addestramento.

Guarda lezione

Addestriamo il modello finale di regressione lineare ML.NET sul dataset del bus, già pulito, normalizzato e trasformato, verificando che l’intera pipeline funzioni correttamente dalla lettura del CSV alla predizione.

Guarda lezione

Impariamo a valutare la qualità del modello ML.NET con le tre metriche fondamentali: R² (varianza spiegata), MAE (errore medio assoluto) e RMSE (radice dell’errore quadratico medio), e capiamo come interpretarle.

Guarda lezione
Giovanni Pace

Giovanni Pace

Ingegnere Informatico · Pratola Peligna

  • 107 Corsi
Mi presento brevemente

Sono un ingegnere informatico con oltre 15 anni di esperienza nel settore ICT. Mi occupo di sviluppo software, cybersecurity, data science e intelligenza artificiale, con particolare attenzione all’innovazione e all’automazione dei processi aziendali. Da anni svolgo anche attività di docenza e formazione, creando percorsi pratici e coinvolgenti su programmazione, DevOps, AI e sicurezza informatica.

Questo corso include

  • Lezioni 19
  • Durata 3h 53m
  • Difficoltà intermedio
  • Lingua it
  • Certificato No

Visti di recente