神经网络对量纲敏感，因此推荐做0-1标准化

正确答案是：C: 将数据正规化于0到1之间。

专业分析：

在使用类神经网络（ANN）进行数据处理之前，数据预处理是一个关键步骤，能够显著影响模型的性能和训练效果。以下是对选项的详细分析：

A: 将所有数值属性转成类别属性
这种做法通常是不必要的，且可能导致信息丢失。数值属性本身包含了丰富的信息，直接转成类别属性会使得这些信息丢失，且增加了模型的复杂性。

B: 将所有类别属性直接用0, 1, 2, 3取代成数值型属性
这种做法可能会引入误导性，因为类别属性之间并没有实际的数值顺序。例如，将类别“红色”、“绿色”、“蓝色”分别用0、1、2表示，可能会让模型误以为这些类别之间存在某种数值上的关系。

C: 将数据正规化于0到1之间
这是一个常见且有效的数据预处理步骤。神经网络的训练过程对输入数据的范围较为敏感，数据正规化可以使得模型更快收敛，并且避免数值过大或过小导致的计算问题。常见的正规化方法包括Min-Max归一化和Z-score标准化。

D: 不需要任何准备
这种说法是不正确的。在大多数情况下，原始数据直接输入到神经网络中会导致模型训练效果不佳，甚至无法收敛。因此，数据预处理是必要的步骤。

综上所述，选项C是正确的。在进行类神经网络之前，将数据正规化于0到1之间能够有效提升模型的训练效果和性能。