.NET平台機器學習資源彙總，有你想要的麼？1.開源綜合類2.開源.NET平台非綜合類3.其他資源與技術部落格4.我的100篇部落格之路

<b>閱讀目錄</b>

<a href="http://www.cnblogs.com/asxinyu/p/dotnet_Opensource_project_For_MachineLearning.html#_label0">1.開源綜合類</a>

<a href="http://www.cnblogs.com/asxinyu/p/dotnet_Opensource_project_For_MachineLearning.html#_label1">2.開源.NET平台非綜合類</a>

<a href="http://www.cnblogs.com/asxinyu/p/dotnet_Opensource_project_For_MachineLearning.html#_label2">3.其他資源與技術部落格</a>

<a href="http://www.cnblogs.com/asxinyu/p/dotnet_Opensource_project_For_MachineLearning.html#_label3">4.我的100篇部落格之路</a>

　 　接觸機器學習1年多了，由于隻會用C#堆代碼，是以隻關注.NET平台的資源，一邊積累，一邊收集，一邊學習，是以在本站第101篇部落格到來之際，分享給大家。部分用過的 ，會有稍微詳細點的說明，其他沒用過的，也是我關注的，說不定以後會用上。機器學習并不等于大資料或者資料挖掘，還有有些差別，有些東西可以用來處理大資料的問題或者資料挖掘的問題，他們之間也是有部分想通的，是以這些元件不僅僅可以用于機器學習，也可以用于資料挖掘相關的。

　　按照功能把資源分為3個部分，開源綜合與非綜合類，以及其他網站部落格等資料。都是能夠在.NET平台使用的。謝謝大家支援，這些元件我日後肯定也會研究其使用，到時候有心得再分享上來。如果有興趣，可以關注本部落格。

AForge.Imaging —— 一些日常的圖像處理和過濾器 AForge.Vision —— 計算機視覺應用類庫 AForge.Neuro —— 神經網絡計算庫AForge.Genetic -進化算法程式設計庫 AForge.MachineLearning —— 機器學習類庫 AForge.Robotics —— 提供一些機器學習的工具類庫 AForge.Video —— 一系列的視訊處理類庫 AForge.Fuzzy —— 模糊推理系統類庫 AForge.Controls—— 圖像，三維，圖表顯示控件

　　我個人認為這個是.NET平台機器學習和資料挖掘發展時間最長，最好，最全面的開源.NET元件之一。部落格園有很多園友寫過專門的使用文章。我本人也隻是關注，還沒有使用，因為方向和處理的問題不一樣，暫時還沒有實際應用。源代碼，案例等都非常全面。

　　  Accord.NET Framework是在AForge.NET基礎上封裝和進一步開發來的。功能也很強大，因為AForge.NET更注重與一些底層和廣度，而Accord.NET Framework更注重與機器學習這個專業，在其基礎上提供了更多統計分析和處理函數，包括圖像處理和計算機視覺算法，是以側重點不同，但都非常有用。　　　　

　　Infer.NET是微軟劍橋研究院基于.NET平台開發的一款機器推理元件，該元件的采用的是Microsoft Research License Agreement 授權，Non-Commercial Use Only.Infer.NET是一個機率圖模型中(graphical models)用于運作貝葉斯推理機(Bayesian inference)的架構。如果對機率圖模型或者貝葉斯推理的意義不了解，你可以參考一下相關資源檔案，在Resources and References page頁面。Infer.NET為各種應用程式所需要推理提供了先進的消息傳遞算法和統計程式。Infer.NET更關注與機率圖程式設計或者貝葉斯理論的相關應用。這個随機因素和不确定世界中的很多問題，都可以适用，是以他的強大一方面是專注，另一方面是提供的模組化語言。與其他的元件不同，其他元件是算法級，而Infer.NET是模組化級别，附帶了各種通用和常見的推理算法。可以通過簡單的代碼來建立模型，按照微軟的話說是MSL模組化語言，這也是這個元件讓我肅然起敬的地方，估計也隻有微軟的研究人員才會想到這麼幹一勞永逸的事情。

　　另外一個小巧的，包含比較多的機器學習算法類庫，支援監督式和非監督式學習。支援很多常見的機器學習算法，文檔資源還不錯。包括Cluster,KMeans,PCA,DecisionTree,KNN,NaiveBayes,NeuralNetwork等學習算法，内容也非常豐富，功能強大，同時也包括一些數值計算的實作。這個元件個人認為沒有以上的那麼複雜，結構小巧合理，代碼也很優雅。看看下面這段代碼，很快就可以建構一個決策樹學習器進行預測：

　　numl的入門案例和文檔比較全面，如果本身對算法比較了解，熟悉C#，那入門應該不是問題。并且可以通過元件本身建構和解決更加複雜的問題。

　　ALGLIB是一個跨平台的數值分析和資料處理函數庫，該函數庫包括開源版本和商業版本。它支援多種程式設計語言，如C++，C#，Pascal，VBA等，可以在多個作業系統平台上運作，如：Windows，Linux和Solaris。ALGLIB有以下特點：

（1）線性代數（包括矩陣分析）；

（2）方程求解（線性和非線性）；

（3）插值；

（4）最優化；

（5）快速傅裡葉變換；

（6）數值積分；

（7）線性和非線性最小二乘拟合；

（8）常微分方程求解；

（9）特殊函數；

（10）統計（描述統計、假設檢驗）；

（11）資料分析（分類、回歸、神經網絡）；

<a href="https://github.com/archgold/pagerank" target="_blank">https://github.com/archgold/pagerank</a>

<a href="http://visualstudiomagazine.com/articles/2013/12/01/k-means-data-clustering-using-c.aspx" target="_blank">http://visualstudiomagazine.com/articles/2013/12/01/k-means-data-clustering-using-c.aspx</a>

<a href="http://blog.csdn.net/xxinliu/article/details/7408742">機器學習10大經典算法</a>

<a href="http://blog.csdn.net/v_july_v/article/details/7624837">支援向量機通俗導論（了解SVM的三層境界）</a>

<a href="http://blog.csdn.net/v_july_v/article/details/7577684">從決策樹學習談到貝葉斯分類算法、EM、HMM</a>

<a href="http://mlg.eng.cam.ac.uk/mlss09/schedule.htm" target="_blank">http://mlg.eng.cam.ac.uk/mlss09/schedule.htm</a>

<a href="http://www.cnblogs.com/leoo2sk/archive/2010/09/17/naive-bayesian-classifier.html">算法雜貨鋪——分類算法之樸素貝葉斯分類(Naive Bayesian classification)</a>

<a href="http://www.cnblogs.com/hexinuaa/p/3353479.html">最大熵模型介紹</a>

<a href="http://www.cnblogs.com/sea-wind/p/4324394.html">機率圖模型</a>

<a href="http://www.cnblogs.com/Bobby0322/p/4055311.html">《BI那點兒事》資料挖掘初探</a>

<a href="http://www.cnblogs.com/Bobby0322/p/4092708.html">《BI那點兒事》資料挖掘的主要方法</a>

<a href="http://www.cnblogs.com/Bobby0322/p/4092779.html">《BI那點兒事》淺析十三種常用的資料挖掘的技術</a>

《BI那點兒事》資料挖掘與相關領域的關系

<a href="http://www.cnblogs.com/Bobby0322/p/4091469.html">《BI那點兒事》Microsoft 關聯算法</a>

<a href="http://www.cnblogs.com/Bobby0322/p/4091945.html">《BI那點兒事》Microsoft 聚類分析算法</a>

<a href="http://www.cnblogs.com/Bobby0322/p/4121931.html">《BI那點兒事》Microsoft 聚類分析算法——三國人物身份劃分</a>

<a href="http://www.cnblogs.com/Bobby0322/p/4089552.html">《BI那點兒事》Microsoft 決策樹算法</a>

<a href="http://www.cnblogs.com/Bobby0322/p/4111461.html">《BI那點兒事》Microsoft 決策樹算法——找出三國武将特性分布，獻給廣大的三國愛好者們</a>

<a href="http://www.cnblogs.com/Bobby0322/p/4107980.html">《BI那點兒事》Microsoft 線性回歸算法</a>

<a href="http://www.cnblogs.com/Bobby0322/p/4091994.html">《BI那點兒事》Microsoft 邏輯回歸算法</a>

<a href="http://www.cnblogs.com/Bobby0322/p/4109199.html">《BI那點兒事》Microsoft 邏輯回歸算法——預測股票的漲跌</a>

<a href="http://www.cnblogs.com/Bobby0322/p/4092248.html">《BI那點兒事》Microsoft Naive Bayes 算法</a>

<a href="http://www.cnblogs.com/Bobby0322/p/4131774.html">《BI那點兒事》Microsoft Naive Bayes 算法——三國人物身份劃分</a>

<a href="http://www.cnblogs.com/Bobby0322/p/4165210.html">《BI那點兒事》Microsoft 神經網絡算法</a>

<a href="http://www.cnblogs.com/Bobby0322/p/4105520.html">《BI那點兒事》Microsoft 順序分析和聚類分析算法</a>

<a href="http://www.cnblogs.com/Bobby0322/p/4086935.html">《BI那點兒事》Microsoft 時序算法</a>

<a href="http://www.cnblogs.com/Bobby0322/p/4088247.html">《BI那點兒事》Microsoft 時序算法——驗證神奇的斐波那契數列</a>

　　從2009年8月1日注冊部落格園開始，已經有5年多的時間了。這是部落格的第100篇正式随筆文章。在2015年元旦的時候，看着自己的部落格很久沒有更新，隻有40多篇文章，然後列出了一個寫作計劃，初期是至少完成高品質的文章50篇左右。而到現在隻有4個月，沒想到我幾乎完成了全年的目标。當然發表的50多篇文章中，我認為高品質和有意義的可能隻有40篇，但絲毫沒關系，至少還有很多時間。這些文章是對自己經曆和知識的總結，也是一個提高。在這100篇部落格裡程碑到來的時候，我簡單的回顧了一下這100篇文章。

第1篇首日浏覽量到1000的文章：

第1篇首日浏覽量到3000的文章：

第1篇 上部落格園頭條的文章：

第1篇 推薦超過60的文章：

第1篇 推薦超過80的文章：

第1篇 總浏覽量超1.6萬的文章：

　　在所有的100篇随筆中，有13篇是目錄和連結彙總，不能算是寫的随筆，還有9篇文章是剛開始來部落格園的時候，還在學習，技術含量不高。但我也沒删除，畢竟是一段曆史。加上有2篇關于比特币和源碼的文章，準确的說不是我寫的，大部分是@大石頭的内容，還有2篇資源和百度吐槽是很随意臨時寫的，根本沒打算發表在首頁，隻是做一個記錄。是以實際比較有技術一點的文章或者心得數量是73篇。這73篇文章中:

在個人認為還不錯的文章中有至少15 篇上了部落格園頭條(包括“最多推薦”和“最多評論”以及“編輯推薦”)

 另外還有一篇文章被部落格園作為編輯推薦文章：

　   總的來說，文章是非常高效和得到大家的認可的，雖然技術含量不是特别進階，但可能基礎的技術更多的能引起共鳴吧。我想說的是，每一篇文章都是經過很用心的編輯和寫出來的，結果也是非常理想的，得到了很多人的支援和了解，是以才有了如此高效的通路量和推薦以及評論。

<b></b>

<b>本文轉自資料之巅部落格園部落格，原文連結：http://www.cnblogs.com/asxinyu/p/dotnet_Opensource_project_For_MachineLearning.html，如需轉載請自行聯系原作者</b>