NET平台机器学习资源汇总

旧城等待， 2022-07-13 06:30 294阅读 0赞

http://www.cnblogs.com/asxinyu/p/4422050.html

# 1.开源综合类 #

## 1.1 AForge.NET ##

[AForge.NET][]是一个专门为开发者和研究者基于C\#框架设计的，他包括计算机视觉与人工智能，图像处理，神经网络，遗传算法，机器学习，模糊系统，机器人控制等领域。这个框架由一系列的类库组成。主要包括有：

> AForge.Imaging —— 一些日常的图像处理和过滤器  
> AForge.Vision —— 计算机视觉应用类库  
> AForge.Neuro —— 神经网络计算库AForge.Genetic -进化算法编程库  
> AForge.MachineLearning —— 机器学习类库  
> AForge.Robotics —— 提供一些机器学习的工具类库  
> AForge.Video —— 一系列的视频处理类库  
> AForge.Fuzzy —— 模糊推理系统类库  
> AForge.Controls—— 图像，三维，图表显示控件
> 
> 来自：[http://baike.haosou.com/doc/1786119-1888850.html][http_baike.haosou.com_doc_1786119-1888850.html]

官方网站：[http://www.aforgenet.com/][AForge.NET]

我个人认为这个是.NET平台机器学习和数据挖掘发展时间最长，最好，最全面的开源.NET组件之一。博客园有很多园友写过专门的使用文章。我本人也只是关注，还没有使用，因为方向和处理的问题不一样，暂时还没有实际应用。源代码，案例等都非常全面。

## 1.2 Accord.NET Framework ##

Accord.NET Framework是在AForge.NET基础上封装和进一步开发来的。功能也很强大，因为AForge.NET更注重与一些底层和广度，而Accord.NET Framework更注重与机器学习这个专业，在其基础上提供了更多统计分析和处理函数，包括图像处理和计算机视觉算法，所以侧重点不同，但都非常有用。

官方网站：[http://accord-framework.net/][http_accord-framework.net]

## 1.3 Math.NET ##

不管是机器学习还是数据挖掘，都与数学离不开关系，既然是在.NET平台，那么这个组件以后你也许用得上。Math.NET是.NET平台下最全面的数学计算组件之一，基础功能非常完善。我的博客有对这个组件的详细研究：[http://www.cnblogs.com/asxinyu/p/4329737.html][http_www.cnblogs.com_asxinyu_p_4329737.html] 。当然更多的功能还得大家自己使用中发掘，毕竟提供了源代码。Math.NET初衷是开源建立一个稳定并持续维护的先进的基础数学工具箱，以满足.NET开发者的日常需求。目前该组件主要分为以下几个子项目，该组件同时也支持Mono，而且支持的平台也非常广泛。Math.NET Numerics是核心功能是数值计算。主要是提供日常科学工程计算相关的算法，包括一些特殊函数，线性代数，概率论，随机函数，微积分，插值，最优化等相关计算功能。详细的介绍和使用可以参考本站的菜单“Math.NET”，查看目录。

官方网站：[http://www.mathdotnet.com/][http_www.mathdotnet.com]

## 1.4 Infer.NET ##

好吧，上面说的那些很强大，强大一方面是说包括的面广，一方面是代码，注释，资源，案例也很完善。如果说上面那些是大炮，那么我认为这个Infer.NET就是战斗机，零零散散接触和研究，以及翻译它的文档代码已经有5个月了，时间越久，越感觉到它的火力之强大。我博客已经发表了2篇翻译的文档：[http://www.cnblogs.com/asxinyu/p/4329742.html][http_www.cnblogs.com_asxinyu_p_4329742.html]，请关注。

Infer.NET是微软剑桥研究院基于.NET平台开发的一款机器推理组件，该组件的采用的是Microsoft Research License Agreement 授权，Non-Commercial Use Only.Infer.NET是一个概率图模型中(graphical models)用于运行贝叶斯推理机(Bayesian inference)的框架。如果对概率图模型或者贝叶斯推理的意义不了解，你可以参考一下相关资源文件，在Resources and References page页面。Infer.NET为各种应用程序所需要推理提供了先进的消息传递算法和统计程序。Infer.NET更关注与概率图编程或者贝叶斯理论的相关应用。这个随机因素和不确定世界中的很多问题，都可以适用，所以他的强大一方面是专注，另一方面是提供的建模语言。与其他的组件不同，其他组件是算法级，而Infer.NET是建模级别，附带了各种通用和常见的推理算法。可以通过简单的代码来创建模型，按照微软的话说是MSL建模语言，这也是这个组件让我肃然起敬的地方，估计也只有微软的研究人员才会想到这么干一劳永逸的事情。

官方网站：[http://research.microsoft.com/en-us/um/cambridge/projects/infernet/default.aspx][http_research.microsoft.com_en-us_um_cambridge_projects_infernet_default.aspx]

## 1.5 numl ##

另外一个小巧的，包含比较多的机器学习算法类库，支持监督式和非监督式学习。支持很多常见的机器学习算法，文档资源还不错。包括Cluster,KMeans,PCA,DecisionTree,KNN,NaiveBayes,NeuralNetwork等学习算法，内容也非常丰富，功能强大，同时也包括一些数值计算的实现。这个组件个人认为没有以上的那么复杂，结构小巧合理，代码也很优雅。看看下面这段代码，很快就可以构建一个决策树学习器进行预测：

![复制代码][copycode.gif]

1 var generator = new DecisionTreeGenerator();
     2 generator.Descriptor = Descriptor.Create<Tennis>();
     3 generator.SetHint(false);
     4 
     5 Tennis[] tennis = TennisData.GetData();
     6 
     7 var learned = Learner.Learn(tennis, 0.80, 1000, generator);
     8 
     9 IModel model = learned.Model;
    10 double accuracy = learned.Accuracy;
    11 
    12 Tennis t = new Tennis
    13 {
    14     Outlook = Outlook.Sunny,
    15     Temperature = Temperature.High,
    16     Windy = false
    17 };
    18 
    19 Tennis predictedVal = model.Predict(t);

![复制代码][copycode.gif]

numl的入门案例和文档比较全面，如果本身对算法比较了解，熟悉C\#，那入门应该不是问题。并且可以通过组件本身构建和解决更加复杂的问题。

官方网站：[http://numl.net/][http_numl.net]

## 1.6 Alglib ##

ALGLIB是一个跨平台的数值分析和数据处理函数库，该函数库包括开源版本和商业版本。它支持多种编程语言，如C++，C\#，Pascal，VBA等，可以在多个操作系统平台上运行，如：Windows，Linux和Solaris。ALGLIB有以下特点：

（1）线性代数（包括矩阵分析）；  
（2）方程求解（线性和非线性）；  
（3）插值；  
（4）最优化；  
（5）快速傅里叶变换；  
（6）数值积分；  
（7）线性和非线性最小二乘拟合；  
（8）常微分方程求解；  
（9）特殊函数；  
（10）统计（描述统计、假设检验）；  
（11）数据分析（分类、回归、神经网络）；

官方网站：[http://www.alglib.net/][http_www.alglib.net]

[回到目录][Link 1]

# 2.开源.NET平台非综合类 #

## 2.1 Adaboost算法 ##

1.[https://github.com/bgorven/Classifier][https_github.com_bgorven_Classifier]

2.[https://github.com/ElmerNing/Adaboost][https_github.com_ElmerNing_Adaboost]

## 2.2 Apriori算法 ##

1.[https://github.com/Omar-Salem/Apriori-Algorithm][https_github.com_Omar-Salem_Apriori-Algorithm]

2.[https://github.com/simonesalvo/apriori][https_github.com_simonesalvo_apriori]

## 2.3 PageRank算法 ##

[https://github.com/archgold/pagerank][https_github.com_archgold_pagerank]

## 2.4 NativeBayes(朴素贝叶斯)算法 ##

1.[https://github.com/Rekin/Naive-Bayes-Classifier][https_github.com_Rekin_Naive-Bayes-Classifier]  
2.[https://github.com/ArdaXi/Bayes.NET][https_github.com_ArdaXi_Bayes.NET]  
3.[https://github.com/amrishdeep/Dragon][https_github.com_amrishdeep_Dragon]  
4.[https://github.com/joelmartinez/nBayes][https_github.com_joelmartinez_nBayes]

## 2.5 kmeans算法 ##

[http://visualstudiomagazine.com/articles/2013/12/01/k-means-data-clustering-using-c.aspx][http_visualstudiomagazine.com_articles_2013_12_01_k-means-data-clustering-using-c.aspx]

[回到目录][Link 1]

# 3.其他资源与技术博客 #

[【资源】108个大数据文档PDF开放下载-整理后打包下载][108_PDF_-]，虽然是大数据的相关资料，主要是PPT等，但也有和机器学习有一点关系，需要的看看；

[白话贝叶斯理论及在足球比赛结果预测中的应用和C\#实现【附资料】][C] 里面有贝叶斯相关的论文资料，文章本身对朴素贝叶斯的原理也介绍得非常清楚；

[数据挖掘领域十大经典算法初探][Link 2]

[机器学习10大经典算法][10]

[支持向量机通俗导论（理解SVM的三层境界）][SVM]

[从决策树学习谈到贝叶斯分类算法、EM、HMM][EM_HMM]

自然语言处理博客 ，包含的内容非常多，可能理论性有点强 [http://www.52nlp.cn/][http_www.52nlp.cn]

西北工业大学博导聂飞平博客：[http://www.escience.cn/people/fpnie/index.html][http_www.escience.cn_people_fpnie_index.html]

一个机器学习数据挖掘的博客，有不少资源链接：[http://www.zhizhihu.com/][http_www.zhizhihu.com]

[http://mlg.eng.cam.ac.uk/mlss09/schedule.htm][http_mlg.eng.cam.ac.uk_mlss09_schedule.htm]

一个机器学习资源集中平台 [http://www.kernel-machines.org/software][http_www.kernel-machines.org_software]

[算法杂货铺——分类算法之朴素贝叶斯分类(Naive Bayesian classification)][Naive Bayesian classification]

[最大熵模型介绍][Link 3]

[概率图模型][Link 4]

博客园Bobby0322的博客：[http://www.cnblogs.com/Bobby0322/p/4052495.html][http_www.cnblogs.com_Bobby0322_p_4052495.html] 中的商务智能与数据挖掘应用系列文章:

1.  [《BI那点儿事》数据挖掘初探][BI]
2.  [《BI那点儿事》数据挖掘的主要方法][BI 1]
3.  [《BI那点儿事》浅析十三种常用的数据挖掘的技术][BI 2]
4.  《BI那点儿事》数据挖掘与相关领域的关系
5.  [《BI那点儿事》Microsoft 关联算法][BI_Microsoft]
6.  [《BI那点儿事》Microsoft 聚类分析算法][BI_Microsoft 1]
7.  [《BI那点儿事》Microsoft 聚类分析算法——三国人物身份划分][BI_Microsoft 2]
8.  [《BI那点儿事》Microsoft 决策树算法][BI_Microsoft 3]
9.  [《BI那点儿事》Microsoft 决策树算法——找出三国武将特性分布，献给广大的三国爱好者们][BI_Microsoft 4]
10. [《BI那点儿事》Microsoft 线性回归算法][BI_Microsoft 5]
11. [《BI那点儿事》Microsoft 逻辑回归算法][BI_Microsoft 6]
12. [《BI那点儿事》Microsoft 逻辑回归算法——预测股票的涨跌][BI_Microsoft 7]
13. [《BI那点儿事》Microsoft Naive Bayes 算法][BI_Microsoft Naive Bayes]
14. [《BI那点儿事》Microsoft Naive Bayes 算法——三国人物身份划分][BI_Microsoft Naive Bayes 1]
15. [《BI那点儿事》Microsoft 神经网络算法][BI_Microsoft 8]
16. [《BI那点儿事》Microsoft 顺序分析和聚类分析算法][BI_Microsoft 9]
17. [《BI那点儿事》Microsoft 时序算法][BI_Microsoft 10]
18. [《BI那点儿事》Microsoft 时序算法——验证神奇的斐波那契数列][BI_Microsoft 11]
19. [《BI那点儿事》数据挖掘各类算法——准确性验证][BI 3]

[回到目录][Link 1]

# 4.我的100篇博客之路 #

从2009年8月1日注册博客园开始，已经有5年多的时间了。这是博客的第100篇正式随笔文章。在2015年元旦的时候，看着自己的博客很久没有更新，只有40多篇文章，然后列出了一个写作计划，初期是至少完成高质量的文章50篇左右。而到现在只有4个月，没想到我几乎完成了全年的目标。当然发表的50多篇文章中，我认为高质量和有意义的可能只有40篇，但丝毫没关系，至少还有很多时间。这些文章是对自己经历和知识的总结，也是一个提高。在这100篇博客里程碑到来的时候，我简单的回顾了一下这100篇文章。

第1篇首日浏览量到1000的文章：

[XCode使用记录—使用XCode自动向数据库插入测试数据][XCode_XCode](2012-04-25 09:11)

第1篇首日浏览量到3000的文章：

[拥有自己的代码生成器—Newlife.XCode模板编写教程][Newlife.XCode] (2012-05-11 08:35)

第1篇 上博客园头条的文章：

[挑战ORM性能——Newlife.XCode下500万sqlite数据库的分页][ORM_Newlife.XCode_500_sqlite](2012-08-22 12:22)

第1篇 推荐超过60的文章：

[【原创】开源Word读写组件DocX介绍与入门][Word_DocX] (2013-02-22 10:35) 24

第1篇 推荐超过80的文章：

[【5.1送礼】国内第一部Matlab和C\#.Net混合编程视频教程【免费】][5.1_Matlab_C_.Net] (2014-04-29 08:02)

第1篇 总浏览量超1.6万的文章：

[【吐槽】VS2012的安装项目只能用InstallShield Limited Edition][VS2012_InstallShield Limited Edition] (2013-09-07 11:20)

在所有的100篇随笔中，有13篇是目录和链接汇总，不能算是写的随笔，还有9篇文章是刚开始来博客园的时候，还在学习，技术含量不高。但我也没删除，毕竟是一段历史。加上有2篇关于比特币和源码的文章，准确的说不是我写的，大部分是@大石头的内容，还有2篇资源和百度吐槽是很随意临时写的，根本没打算发表在首页，只是做一个记录。所以实际比较有技术一点的文章或者心得数量是73篇。这73篇文章中:

在个人认为还不错的文章中有至少15 篇上了博客园头条(包括“最多推荐”和“最多评论”以及“编辑推荐”)

1.[白话贝叶斯理论及在足球比赛结果预测中的应用和C\#实现【附资料】][C]

2.[你用过这种奇葩的C\#注释吗？如何看待][C 1] (2015-04-17 10:04)

3.[【原创】C\#玩高频数字彩快3的一点体会][C_3] (2015-04-11 09:03)

4.[【踩坑经历】一次Asp.NET小网站部署踩坑和解决经历][Asp.NET] (2015-04-01 06:10)

5.[【分享】博客美化(4)为博客添加一个智能的文章推荐插件][4] (2015-03-24 07:55)

6.[【原创】Newlife.XCode的常见功能使用(一）查询与数据初始化][Newlife.XCode 1] (2015-01-26 08:52)

7.[【原创】开源Math.NET基础数学类库使用(13)C\#实现其他随机数生成器][Math.NET_13_C] (2015-03-18 08:32)

8.[【反传销】传销故事总结—如何尽可能保护自身和家人安全][Link 5] (2015-03-09 07:37)

9.[【反传销】春节一个短暂误入传销和脱身的真实故事以及对技术的思考][Link 6] (2015-03-03 06:10)

10.[App乱世，3721离我们有多远][App_3721] (2015-02-10 09:24)

11.[【原创】开源Word读写组件DocX介绍与入门][Word_DocX] (2013-02-22 10:35)

12.[【原创】C\#开源轻量级对象数据库NDatabase介绍][C_NDatabase] (2013-02-20 09:35)

13.[【原创】.NET开源压缩组件介绍与入门][.NET] (2013-03-05 07:59)

14.[【5.1送礼】国内第一部Matlab和C\#.Net混合编程视频教程【免费】][5.1_Matlab_C_.Net] (2014-04-29 08:02)

另外还有一篇文章被博客园作为编辑推荐文章：

15.[【原创】Matlab.NET混合编程技巧之直接调用Matlab内置函数][Matlab.NET_Matlab]

[AForge.NET]: http://www.aforgenet.com/
[http_baike.haosou.com_doc_1786119-1888850.html]: http://baike.haosou.com/doc/1786119-1888850.html
[http_accord-framework.net]: http://accord-framework.net/
[http_www.cnblogs.com_asxinyu_p_4329737.html]: http://www.cnblogs.com/asxinyu/p/4329737.html
[http_www.mathdotnet.com]: http://www.mathdotnet.com/
[http_www.cnblogs.com_asxinyu_p_4329742.html]: http://www.cnblogs.com/asxinyu/p/4329742.html
[http_research.microsoft.com_en-us_um_cambridge_projects_infernet_default.aspx]: http://research.microsoft.com/en-us/um/cambridge/projects/infernet/default.aspx
[copycode.gif]: /images/20220713/7da5f8f7f90a4d338c48a8010de3ded8.png
[http_numl.net]: http://numl.net/
[http_www.alglib.net]: http://www.alglib.net/
[Link 1]: http://www.cnblogs.com/asxinyu/p/4422050.html#_labelTop
[https_github.com_bgorven_Classifier]: https://github.com/bgorven/Classifier
[https_github.com_ElmerNing_Adaboost]: https://github.com/ElmerNing/Adaboost
[https_github.com_Omar-Salem_Apriori-Algorithm]: https://github.com/Omar-Salem/Apriori-Algorithm
[https_github.com_simonesalvo_apriori]: https://github.com/simonesalvo/apriori
[https_github.com_archgold_pagerank]: https://github.com/archgold/pagerank
[https_github.com_Rekin_Naive-Bayes-Classifier]: https://github.com/Rekin/Naive-Bayes-Classifier
[https_github.com_ArdaXi_Bayes.NET]: https://github.com/ArdaXi/Bayes.NET
[https_github.com_amrishdeep_Dragon]: https://github.com/amrishdeep/Dragon
[https_github.com_joelmartinez_nBayes]: https://github.com/joelmartinez/nBayes
[http_visualstudiomagazine.com_articles_2013_12_01_k-means-data-clustering-using-c.aspx]: http://visualstudiomagazine.com/articles/2013/12/01/k-means-data-clustering-using-c.aspx
[108_PDF_-]: http://www.cnblogs.com/asxinyu/p/4259897.html
[C]: http://www.cnblogs.com/asxinyu/p/4394156.html
[Link 2]: http://blog.csdn.net/v_july_v/article/details/6142146
[10]: http://blog.csdn.net/xxinliu/article/details/7408742
[SVM]: http://blog.csdn.net/v_july_v/article/details/7624837
[EM_HMM]: http://blog.csdn.net/v_july_v/article/details/7577684
[http_www.52nlp.cn]: http://www.52nlp.cn/
[http_www.escience.cn_people_fpnie_index.html]: http://www.escience.cn/people/fpnie/index.html
[http_www.zhizhihu.com]: http://www.zhizhihu.com/
[http_mlg.eng.cam.ac.uk_mlss09_schedule.htm]: http://mlg.eng.cam.ac.uk/mlss09/schedule.htm
[http_www.kernel-machines.org_software]: http://www.kernel-machines.org/software
[Naive Bayesian classification]: http://www.cnblogs.com/leoo2sk/archive/2010/09/17/naive-bayesian-classifier.html
[Link 3]: http://www.cnblogs.com/hexinuaa/p/3353479.html
[Link 4]: http://www.cnblogs.com/sea-wind/p/4324394.html
[http_www.cnblogs.com_Bobby0322_p_4052495.html]: http://www.cnblogs.com/Bobby0322/p/4052495.html
[BI]: http://www.cnblogs.com/Bobby0322/p/4055311.html
[BI 1]: http://www.cnblogs.com/Bobby0322/p/4092708.html
[BI 2]: http://www.cnblogs.com/Bobby0322/p/4092779.html
[BI_Microsoft]: http://www.cnblogs.com/Bobby0322/p/4091469.html
[BI_Microsoft 1]: http://www.cnblogs.com/Bobby0322/p/4091945.html
[BI_Microsoft 2]: http://www.cnblogs.com/Bobby0322/p/4121931.html
[BI_Microsoft 3]: http://www.cnblogs.com/Bobby0322/p/4089552.html
[BI_Microsoft 4]: http://www.cnblogs.com/Bobby0322/p/4111461.html
[BI_Microsoft 5]: http://www.cnblogs.com/Bobby0322/p/4107980.html
[BI_Microsoft 6]: http://www.cnblogs.com/Bobby0322/p/4091994.html
[BI_Microsoft 7]: http://www.cnblogs.com/Bobby0322/p/4109199.html
[BI_Microsoft Naive Bayes]: http://www.cnblogs.com/Bobby0322/p/4092248.html
[BI_Microsoft Naive Bayes 1]: http://www.cnblogs.com/Bobby0322/p/4131774.html
[BI_Microsoft 8]: http://www.cnblogs.com/Bobby0322/p/4165210.html
[BI_Microsoft 9]: http://www.cnblogs.com/Bobby0322/p/4105520.html
[BI_Microsoft 10]: http://www.cnblogs.com/Bobby0322/p/4086935.html
[BI_Microsoft 11]: http://www.cnblogs.com/Bobby0322/p/4088247.html
[BI 3]: http://www.cnblogs.com/Bobby0322/p/4135867.html
[XCode_XCode]: http://www.cnblogs.com/asxinyu/archive/2012/04/25/2469238.html
[Newlife.XCode]: http://www.cnblogs.com/asxinyu/archive/2012/05/11/2495353.html
[ORM_Newlife.XCode_500_sqlite]: http://www.cnblogs.com/asxinyu/archive/2012/08/22/2650596.html
[Word_DocX]: http://www.cnblogs.com/asxinyu/archive/2013/02/22/2921861.html
[5.1_Matlab_C_.Net]: http://www.cnblogs.com/asxinyu/p/3696077.html
[VS2012_InstallShield Limited Edition]: http://www.cnblogs.com/asxinyu/p/3306992.html
[C 1]: http://www.cnblogs.com/asxinyu/p/4383402.html
[C_3]: http://www.cnblogs.com/asxinyu/p/3479274.html
[Asp.NET]: http://www.cnblogs.com/asxinyu/p/4380380.html
[4]: http://www.cnblogs.com/asxinyu/p/4342827.html
[Newlife.XCode 1]: http://www.cnblogs.com/asxinyu/p/4248281.html
[Math.NET_13_C]: http://www.cnblogs.com/asxinyu/p/4301555.html
[Link 5]: http://www.cnblogs.com/asxinyu/p/4312956.html
[Link 6]: http://www.cnblogs.com/asxinyu/p/4305155.html
[App_3721]: http://www.cnblogs.com/asxinyu/p/4282974.html
[C_NDatabase]: http://www.cnblogs.com/asxinyu/archive/2013/02/20/2918066.html
[.NET]: http://www.cnblogs.com/asxinyu/archive/2013/03/05/2943696.html
[Matlab.NET_Matlab]: http://www.cnblogs.com/asxinyu/p/3297557.html