ML.NET in C#: machine learning per sviluppatori .NET senza Python. Regressione, classificazione, preprocessing, visualizzazione e deploy del modello.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
Ingegnere Informatico · Pratola Peligna
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.
Prosperous understood Middletons in conviction an uncommonly do. Supposing so be resolving breakfast am or perfectly.
Utilizziamo cookie essenziali e, con il tuo consenso, cookie funzionali, analytics e marketing. Google Analytics 4 e gli eventuali annunci Google/AdSense restano disattivati finche non scegli. Consulta Privacy Policy e Cookie Policy.
Sempre attivi per sicurezza, prevenzione frodi, sessione, consenso e funzionamento del sito.
Migliorano l'esperienza, ad esempio ricordando preferenze non essenziali. Non usati per profilazione pubblicitaria.
Statistiche e misurazioni con Google Analytics 4, abilitate solo dopo il consenso analytics.
Misurazione annunci e funzioni pubblicitarie Google/AdSense, se attivate sul sito e consentite dall'utente.
Puoi modificare queste scelte in qualunque momento dal link "Preferenze Cookies" nel footer.