Guia Introdutório ao ML.NET

Introdução

ML.NET é um framework de código aberto desenvolvido pela Microsoft que permite aos desenvolvedores .NET criar modelos de aprendizado de máquina (Machine Learning) personalizados usando C# ou F#. Com o ML.NET, é possível incorporar recursos de IA em suas aplicações sem a necessidade de experiência prévia em aprendizado de máquina.

1️⃣ Configurando o Ambiente

🖥️ Requisitos

Visual Studio 2019 ou superior (qualquer edição) ou Visual Studio Code
.NET 6.0 SDK ou superior
ML.NET CLI (opcional, para criação de modelos automatizados)

📦 Instalando o ML.NET

Via Package Manager Console:

Install-Package Microsoft.ML

Via .NET CLI:

dotnet add package Microsoft.ML

2️⃣ Conceitos Básicos do ML.NET

🔹 Pipelines de Aprendizado de Máquina

Um pipeline é uma sequência de transformações de dados e algoritmos que processam os dados para produzir um modelo treinado.

🔹 Transformações de Dados

Normalização de valores numéricos
Codificação de variáveis categóricas
Extração de recursos de texto

🔹 Treinamento e Avaliação de Modelos

Após preparar os dados, o próximo passo é treinar o modelo usando um algoritmo adequado e, em seguida, avaliá-lo.

3️⃣ Exemplo Prático: Regressão Linear

🎯 Objetivo

Vamos criar um modelo que prevê o preço de casas com base em características como metragem quadrada e número de quartos.

🔹 Criando o Projeto

dotnet new console -n RegressaoMLNet
cd RegressaoMLNet
dotnet add package Microsoft.ML

🔹 Definindo as Classes de Dados

using Microsoft.ML.Data;

public class HouseData
{
    [LoadColumn(0)]
    public float Tamanho { get; set; }

    [LoadColumn(1), ColumnName("Label")]
    public float Preco { get; set; }
}

public class HousePricePrediction
{
    [ColumnName("Score")]
    public float PrecoPrevisto { get; set; }
}

🔹 Construindo o Pipeline

var mlContext = new MLContext();
var dataView = mlContext.Data.LoadFromTextFile<HouseData>("dados.csv", hasHeader: true, separatorChar: ',');

var pipeline = mlContext.Transforms.Concatenate("Features", "Tamanho")
    .Append(mlContext.Regression.Trainers.LbfgsPoissonRegression());

var model = pipeline.Fit(dataView);

🔹 Fazendo Previsões

var predictionFunction = mlContext.Model.CreatePredictionEngine<HouseData, HousePricePrediction>(model);
var novaCasa = new HouseData { Tamanho = 85f };
var precoPrevisto = predictionFunction.Predict(novaCasa);

Console.WriteLine($"Preço previsto: {precoPrevisto.PrecoPrevisto:#.##}");

📚 Recursos Adicionais

Last modified: 02 April 2025