Ролг Хупин,

http://docs.microsoft.com/en-us/dotnet/api/microsoft.ml.trainers
http://docs.microsoft.com/en-us/dotnet/machine-learning/tutorials/

но сначала неплохо-бы определиться с областью, пытаться покрыть всё довольно абсурдно
есть чисто числовой анализ (регрессии, сети/ассоциации, временные ряды, кластеры, вероятности и пр.),
если графика/распознование образов (векторы), обработка текста (сентимент), анализ сигналов (аудио и т.д.)

эти области очень различаются по теоретической части и необходимой подготовке.

какой метод выбрать решается не на уровне ML, а на стороне DataScience
хотя на самом деле при нынешних вычислительных мощностях обычно натравливается целая группа
(подходящих по смыслу для анализируемых процессов) алгоритмов широким фронтом
(причём один и тот-же алгоритм пускается в разных вариациях с отличающимися параметрами)
и из них (даже после нескольких parameter tuning / hyperparameter tuning)
уже выбирается один (или несколько в комбинации)

на основании наилучших результатов (качественные показатели модели, их сравнение,
напр. точность scoring от проверочного dataset на тренированную модель {training set} и пр.)
но на всю группу только на ML.NET писать немного трудозатратно получается
есть уже опробованные подходы http://www.microsoft.com/en-us/research/project/automl/