Scikit-learn: машинное обучение на Python
Scikit-learn: Machine Learning in Python
2012-01-02
SCID: 54.1/b4cxpvuh
Discuss with AI
согласованность APIScikit-learnмашинное обучение на Pythonупрощённая лицензия BSDконтролируемое и неконтролируемое обучение
Figures from the paper
Abstract (AI)
Scikit-learn — модуль для Python, объединяющий широкий спектр современных алгоритмов машинного обучения для задач среднего масштаба с учителем и без учителя. Пакет ориентирован на внедрение машинного обучения у неспециалистов с использованием общего высокоуровневого языка. Основное внимание уделяется простоте использования, производительности, документации и согласованности API. Модуль имеет минимальные зависимости и распространяется под упрощённой лицензией BSD, что способствует его применению в академической и коммерческой среде. Исходный код, бинарные файлы и документация доступны для загрузки на http://scikit-learn.org.
Key Findings
1
Приоритеты дизайна scikit-learn включают простоту использования, производительность, подробную документацию и согласованный API.
2
Scikit-learn имеет минимальные зависимости и распространяется под упрощённой лицензией BSD, что облегчает использование в академических и коммерческих целях.
3
Scikit-learn предоставляет модуль на Python, интегрирующий широкий набор современных алгоритмов машинного обучения для задач среднего масштаба (контролируемых и неконтролируемых).
4
Исходный код, бинарники и документация scikit-learn доступны публично по адресу http://scikit-learn.org.
5
Пакет разработан для облегчения доступа к машинному обучению неспециалистам посредством использования общего языка высокого уровня (Python).
Research Object
Библиотека машинного обучения Scikit-learn на Python
Research Subject
Интеграция и предоставление широкого набора современных алгоритмов контролируемого и неконтролируемого обучения для задач среднего масштаба с акцентом на простоту использования, производительность, документацию, согласованность API и минимальные зависимости
Publication Details
Publication Date
2012-01-02
Journal
Publisher
ISSN
Cited by
69647
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai1
Работы, цитирующие эту статью20
SciPy 1.0: фундаментальные алгоритмы для научных вычислений на языке Python2020
Программирование массивов с использованием NumPy2020
Почему я должен вам доверять?2016
SciPy 1.0: фундаментальные алгоритмы для научных вычислений на языке Python2019
Отбор признаков2017
MoleculeNet: эталонный набор для машинного обучения молекул2017
Масштабируемое и точное глубокое обучение с использованием электронных медицинских карт2018
HuBERT: самообучение представлений речи посредством маскированного предсказания скрытых единиц2021
Обзор обучения с полуучителем2019
Автоматизированное машинное обучение2019
Моделирование на основе искусственного интеллекта: методы, приложения и научно-исследовательские проблемы на пути к автоматизированным, интеллектуальным и умным системам2022
Сравнение научных аннотаций, сгенерированных ChatGPT, с реальными аннотациями с помощью детекторов и слепых рецензентов2023
Унифицирующий обзор глубоких и поверхностных методов обнаружения аномалий2021
Интерпретируемое машинное обучение: основные принципы и 10 крупных задач2022
DScribe: библиотека дескрипторов для машинного обучения в материаловедении2019
Автоматизированное машинное обучение: обзор современного состояния и перспективы применения в здравоохранении2020
Атлас транскриптома стареющего мозга Drosophila на уровне отдельных клеток2018
Ускоренный поиск материалов с заданными свойствами с помощью адаптивного проектирования2016
Промышленный искусственный интеллект в Индустрии 4.0: систематический обзор, проблемы и перспективы2020
Идентификация тяжёлых флейворных джетов с детектором CMS в pp-столкновениях при 13 ТэВ2018