.NET平台机器学习资源汇总，有你想要的么？1.开源综合类2.开源.NET平台非综合类3.其他资源与技术博客4.我的100篇博客之路

<b>阅读目录</b>

<a href="http://www.cnblogs.com/asxinyu/p/dotnet_Opensource_project_For_MachineLearning.html#_label0">1.开源综合类</a>

<a href="http://www.cnblogs.com/asxinyu/p/dotnet_Opensource_project_For_MachineLearning.html#_label1">2.开源.NET平台非综合类</a>

<a href="http://www.cnblogs.com/asxinyu/p/dotnet_Opensource_project_For_MachineLearning.html#_label2">3.其他资源与技术博客</a>

<a href="http://www.cnblogs.com/asxinyu/p/dotnet_Opensource_project_For_MachineLearning.html#_label3">4.我的100篇博客之路</a>

　 　接触机器学习1年多了，由于只会用C#堆代码，所以只关注.NET平台的资源，一边积累，一边收集，一边学习，所以在本站第101篇博客到来之际，分享给大家。部分用过的 ，会有稍微详细点的说明，其他没用过的，也是我关注的，说不定以后会用上。机器学习并不等于大数据或者数据挖掘，还有有些区别，有些东西可以用来处理大数据的问题或者数据挖掘的问题，他们之间也是有部分想通的，所以这些组件不仅仅可以用于机器学习，也可以用于数据挖掘相关的。

　　按照功能把资源分为3个部分，开源综合与非综合类，以及其他网站博客等资料。都是能够在.NET平台使用的。谢谢大家支持，这些组件我日后肯定也会研究其使用，到时候有心得再分享上来。如果有兴趣，可以关注本博客。

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

　　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。

　　  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。　　　　

　　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。

　　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：

　　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。

　　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）；

<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">机器学习10大经典算法</a>

<a href="http://blog.csdn.net/v_july_v/article/details/7624837">支持向量机通俗导论（理解SVM的三层境界）</a>

<a href="http://blog.csdn.net/v_july_v/article/details/7577684">从决策树学习谈到贝叶斯分类算法、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">算法杂货铺——分类算法之朴素贝叶斯分类(Naive Bayesian classification)</a>

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

<a href="http://www.cnblogs.com/sea-wind/p/4324394.html">概率图模型</a>

<a href="http://www.cnblogs.com/Bobby0322/p/4055311.html">《BI那点儿事》数据挖掘初探</a>

<a href="http://www.cnblogs.com/Bobby0322/p/4092708.html">《BI那点儿事》数据挖掘的主要方法</a>

<a href="http://www.cnblogs.com/Bobby0322/p/4092779.html">《BI那点儿事》浅析十三种常用的数据挖掘的技术</a>

《BI那点儿事》数据挖掘与相关领域的关系

<a href="http://www.cnblogs.com/Bobby0322/p/4091469.html">《BI那点儿事》Microsoft 关联算法</a>

<a href="http://www.cnblogs.com/Bobby0322/p/4091945.html">《BI那点儿事》Microsoft 聚类分析算法</a>

<a href="http://www.cnblogs.com/Bobby0322/p/4121931.html">《BI那点儿事》Microsoft 聚类分析算法——三国人物身份划分</a>

<a href="http://www.cnblogs.com/Bobby0322/p/4089552.html">《BI那点儿事》Microsoft 决策树算法</a>

<a href="http://www.cnblogs.com/Bobby0322/p/4111461.html">《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</a>

<a href="http://www.cnblogs.com/Bobby0322/p/4107980.html">《BI那点儿事》Microsoft 线性回归算法</a>

<a href="http://www.cnblogs.com/Bobby0322/p/4091994.html">《BI那点儿事》Microsoft 逻辑回归算法</a>

<a href="http://www.cnblogs.com/Bobby0322/p/4109199.html">《BI那点儿事》Microsoft 逻辑回归算法——预测股票的涨跌</a>

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

<a href="http://www.cnblogs.com/Bobby0322/p/4131774.html">《BI那点儿事》Microsoft Naive Bayes 算法——三国人物身份划分</a>

<a href="http://www.cnblogs.com/Bobby0322/p/4165210.html">《BI那点儿事》Microsoft 神经网络算法</a>

<a href="http://www.cnblogs.com/Bobby0322/p/4105520.html">《BI那点儿事》Microsoft 顺序分析和聚类分析算法</a>

<a href="http://www.cnblogs.com/Bobby0322/p/4086935.html">《BI那点儿事》Microsoft 时序算法</a>

<a href="http://www.cnblogs.com/Bobby0322/p/4088247.html">《BI那点儿事》Microsoft 时序算法——验证神奇的斐波那契数列</a>

　　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：

第1篇首日浏览量到3000的文章：

第1篇 上博客园头条的文章：

第1篇 推荐超过60的文章：

第1篇 推荐超过80的文章：

第1篇 总浏览量超1.6万的文章：

　　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”)

 另外还有一篇文章被博客园作为编辑推荐文章：

　   总的来说，文章是非常高效和得到大家的认可的，虽然技术含量不是特别高级，但可能基础的技术更多的能引起共鸣吧。我想说的是，每一篇文章都是经过很用心的编辑和写出来的，结果也是非常理想的，得到了很多人的支持和理解，所以才有了如此高效的访问量和推荐以及评论。

<b></b>

<b>本文转自数据之巅博客园博客，原文链接：http://www.cnblogs.com/asxinyu/p/dotnet_Opensource_project_For_MachineLearning.html，如需转载请自行联系原作者</b>