用途：在 .NET 应用中集成机器学习，或基于本地数据训练、重训 ML.NET 模型，也适用于审查推理管道、模型加载与 AutoML 生成代码。
主要能力：围绕预测任务与数据质量组织工作流，而非先选算法或包；覆盖数据加载、训练管道、评估指标、部署策略与特征工程模式；提供情感分析、价格预测、图像分类、异常检测、推荐、聚类、欺诈检测、文本分类、目标检测与 AutoML 等完整示例。
使用方式：先明确预测任务与数据质量；将训练代码与推理代码分离，使生产路径精简可预测；在信任模型输出前检查特征工程、归一化、标签质量与评估指标；可用 Model Builder 或 ML.NET CLI 加速探索，但需审查生成的 C# 再视为生产架构；规划模型在应用生命周期中的加载、版本化与刷新方式；用有代表性的数据集和显式评估验证，而非仅凭能跑通的样例。
适用场景：需要把机器学习能力嵌入 .NET 应用的开发与评审工作。
限制：资料未提供具体安装命令、价格、平台支持范围或性能数据；模型质量需实测而非假定，训练与推理职责应分离，部署与版本化预期需明确。