一、序言
微软的机器学习框架于2018年5月出了0.1版本，2019年5月发布1.0版本。期间各版本之间差异（包括命名空间、方法等）还是比较大的，随着1.0版发布，应该是趋于稳定了。之前在园子里也看到不少相关介绍的文章，对我的学习提供了不少帮助。由于目前资料不是很丰富，所以学习过程中也走了不少弯路，本系列的文章主要记录我学习过程中的一些心得体会，并对一些细节会做详细的解释，希望能为机器学习零基础的同学提供一些帮助。（C#零基础可不行）
二、基本概念
1、什么是机器学习？
定义：一个电脑程序要完成任务（T），如果电脑获取的关于T的经验（E）越多就表现（P）得越好，那么我们就可以说这个程序‘学习’了关于T的经验。
简单解释什么叫“机器的学习”：如果输入的经验越多表现的越好，这就叫“学习”。举个例子：传统的程序逻辑是基于算法的，在算法不变的情况下，程序就是运行100年能力也不会有提升，但机器学习是基于数据（样本）的，在算法不变的情况下，累计的有效数据越多，程序表现能力就越强。
2、通过机器学习解决问题和传统算法解决问题的区别
需要解决的问题：会议室进来一位男生，请他站在摄像头前面，通过一个程序评价一下这位男生身材是否很好。
（1）传统解决方案
首先我们分析要判断一个人身材是否很好，主要的判断特征包括：身高、体重、三围等等，然后通过一个衡量算法（比如BMI）进行计算，流程如下：
（2）机器学习算法
机器学习是依赖样本数据的，所以解决这个问题的思路是这样的：
①首先你得上街去收集数据，询问你采访对象的身高、体重、三围数据，然后根据你的经验给他一个评判，形成下表：
②对收集到的数据进行训练，形成模型，然后通过模型对要判断的对象进行评判。流程如下：
小结：通过这个问题的解决，感觉通过机器学习来解决问题比传统方法麻烦多了，是的，对于身材判断这样的问题，人类可以很简单找到一个逻辑分析的方法，所以通过逻辑算法解决就比较方便，但有时候很多事情我们人类是很容易处理的，但我们却不知道其中的逻辑，比如：判断一张图片是否是18+图片，判断一片论文是否写得很好，判断一个人是否长得漂亮等等。这些问题人类很轻松就能处理，但无法总结出其中的规律并交给机器去执行，这时候机器学习算法就可以派上用场了。
三、机器学习的流程
机器学习的流程如下：
数据准备 -> 建模 -> 训练 -> 评估 -> 应用
在实际应用时，由于训练的过程可能时间比较长，所以我们会分两个阶段进行：
1、学习阶段：数据准备 -> 建模 -> 训练 -> 评估 -> 保存模型
2、消费阶段：读取模型 -> 应用
评估的过程就是对模型的检验，我们一般会把样本数据随机分成两份，其中一部分用来学习，另一部分用来检验模型效果，判断一下我们的模型能力。
以上是涉及到机器学习的有些最基础的理论知识，下面几篇文章会由浅入深介绍ML.NET的一些应用。
系列文章目录：
机器学习框架ML.NET学习笔记【1】基本概念
机器学习框架ML.NET学习笔记【6】TensorFlow图片分类
资源下载：
项目源码：https://github.com/seabluescn/Study_ML.NET
资源文件：https://gitee.com/seabluescn/ML_Assets
（由于资源文件较大，所以放在码云平台提供下载）