通过对《跨平台机器学习：ML.NET架构及应用编程》的学习，读者可以在专家的指导下，运用跨平台机器学习框架ML.NET来创建机器学习解决方案。
有了ML.NET，机器学习可以为所有.NET开发人员赋能，《跨平台机器学习：ML.NET架构及应用编程》可以帮助读者将ML.NET应用于实际的生产解决方案中。在对ML.NET进行基本概述之后，作者阐明了用于回归、分类、排名、异常检测等的微框架（ML任务）。对于每个ML任务，都提供了克服现实世界中常见挑战的见解。同时，书中还着重介绍了神经网络Keras，展示了一个完整的机器学习应用，以及如何在.NET中利用流行的Python 工具。
微软最有价值专家MVP（16届）在书中展示了以下主题：
l 构建更智能的机器学习解决方案，更贴近用户的需求；
l 了解ML.NET如何实例化经典ML管道，并简化情绪分析、欺诈检测和价格预测等常见场景；
l 实施数据处理和培训，生产基于机器学习的软件解决方案；
l 从基本预测转向更复杂的任务，包括分类、异常检测、推荐和图像分类；
l 执行二分类和多分类；使用聚类和无监督学习将数据组织成同质组；
l 发现异常值以检测可疑行为、欺诈、故障设备或其他问题；
l 充分利用 ML.NET 强大、灵活的预测功能；
l 实现排名、推荐、协同过滤的相关功能；
l 使用 ML.NET 迁移学习快速构建图像分类解决方案；
l 当标准算法和浅层学习不够时转向深度学习；
l 通过 Azure认知服务API购买神经网络，或探索使用 Keras和TensorFlow 构建自己的神经网络。
