Oprogramowanie
Oto lista 7 bezpłatnych i płatnych alternatyw dla python auto-sklearn. Główni konkurenci obejmują H2O.ai, ML.NET. Oprócz tego, użytkownicy porównują także python auto-sklearn z prevision.io, R Caret, R mlr. Ponadto można spojrzeć na inne podobne opcje tutaj: About.
Oto lista 7 bezpłatnych i płatnych alternatyw dla python auto-sklearn. Główni konkurenci obejmują H2O.ai, ML.NET. Oprócz tego, użytkownicy porównują także python auto-sklearn z prevision.io, R Caret, R mlr. Ponadto można spojrzeć na inne podobne opcje tutaj: About.
H2O to open source, w pamięci, rozproszone, szybkie i skalowalne uczenie maszynowe i predykcyjne ...
Pakiet Caret (skrót od _C_lassification _A_nd _RE_gression _T_raining) to zestaw funkcji ...
Uczenie maszynowe w języku R: mlr, struktura eksperymentów uczenia maszynowego w języku R.
ML Studio jest interaktywny dla aplikacji EDA, modelowania statystycznego i uczenia maszynowego.
Zostań przedsiębiorstwem napędzanym sztuczną inteligencją dzięki zautomatyzowanemu uczeniu maszynowemu
auto-sklearn to zautomatyzowany zestaw narzędzi do uczenia maszynowego.
auto-sklearn to zautomatyzowany zestaw narzędzi do uczenia maszynowego.
Windows
Linux
Mac
auto-sklearn to zautomatyzowany zestaw narzędzi do uczenia maszynowego i zastępcze narzędzie do estymacji scikit-learn. funkcja auto-sklearn uwalnia użytkownika uczącego się od maszyn do wyboru algorytmu i dostrajania hiperparametrów. Wykorzystuje najnowsze zalety optymalizacji bayesowskiej, meta-uczenia się i budowy zespołów. Dowiedz się więcej o technologii automatycznego uczenia się, czytając nasz artykuł opublikowany na NIPS 2015.
kapelusz))
Będzie to działać przez godzinę i powinno skutkować dokładnością powyżej 0,98.
Licencja
auto-sklearn jest licencjonowany w taki sam sposób jak scikit-learn, a mianowicie 3-klauzulowa licencja BSD.
Powołując się na auto-sklearn
Jeśli użyjesz auto-sklearn w publikacji naukowej, będziemy wdzięczni za odniesienie do następującego artykułu:
Wydajne i niezawodne zautomatyzowane uczenie maszynowe, Feurer i in., Advances in Neural Information Processing Systems 28 (NIPS 2015).
Wpis Bibtex:
@incollection {NIPS2015_5872,
title = {Wydajne i niezawodne zautomatyzowane uczenie maszynowe},
autor = {Feurer, Matthias and Klein, Aaron and Eggensperger, Katharina i
Springenberg, Jost and Blum, Manuel and Hutter, Frank},
booktitle = {Postępy w systemach przetwarzania informacji neuronowych 28},
edytor = {C. Cortes i ND Lawrence oraz DD Lee, M. Sugiyama i R. Garnett},
strony = {2962--2970},
rok = {2015},
publisher = {Curran Associates, Inc.},
url = { http://papers.nips.cc/paper/5872-efficient-and-robust-automated-machine-learning.pdf }
}
Wnosząc wkład
Dziękujemy za wkład w automatyczne uczenie się, od raportów o błędach i dokumentacji po nowe funkcje. Jeśli chcesz wziąć udział w tworzeniu kodu, możesz wybrać problem z narzędzia do śledzenia problemów oznaczonego jako Needs contributer.
Machine Learning
Podziel się swoją opinią na temat oprogramowania, napisz recenzję i pomóż jeszcze bardziej je ulepszyć!
Zaproponuj zmiany
Twoja opinia
Your vote has been counted.
Do you have experience using this software?
