論文の概要: Machine Learning in Python: Main developments and technology trends in
data science, machine learning, and artificial intelligence
- arxiv url: http://arxiv.org/abs/2002.04803v2
- Date: Tue, 31 Mar 2020 16:58:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-01 19:10:23.041095
- Title: Machine Learning in Python: Main developments and technology trends in
data science, machine learning, and artificial intelligence
- Title（参考訳）: Pythonにおける機械学習: データサイエンス、機械学習、人工知能の主な発展と技術動向
- Authors: Sebastian Raschka, Joshua Patterson, Corey Nolet
- Abstract要約: Pythonは科学計算、データサイエンス、機械学習において最も好まれる言語である。
この調査は、Pythonによる機械学習の分野に関する洞察を提供し、重要なトピックをツアーして、それを可能にしたコアハードウェアとソフトウェアパラダイムのいくつかを特定します。
- 参考スコア（独自算出の注目度）: 3.1314898234563295
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Smarter applications are making better use of the insights gleaned from data,
having an impact on every industry and research discipline. At the core of this
revolution lies the tools and the methods that are driving it, from processing
the massive piles of data generated each day to learning from and taking useful
action. Deep neural networks, along with advancements in classical ML and
scalable general-purpose GPU computing, have become critical components of
artificial intelligence, enabling many of these astounding breakthroughs and
lowering the barrier to adoption. Python continues to be the most preferred
language for scientific computing, data science, and machine learning, boosting
both performance and productivity by enabling the use of low-level libraries
and clean high-level APIs. This survey offers insight into the field of machine
learning with Python, taking a tour through important topics to identify some
of the core hardware and software paradigms that have enabled it. We cover
widely-used libraries and concepts, collected together for holistic comparison,
with the goal of educating the reader and driving the field of Python machine
learning forward.
- Abstract（参考訳）: よりスマートなアプリケーションは、データから得られる洞察をよりよく利用し、あらゆる業界や研究分野に影響を与えています。
この革命の核心は、毎日生成される大量のデータを処理することから、有用な行動から学ぶことまで、それを動かすツールと方法にあります。
ディープニューラルネットワークは、古典的なMLとスケーラブルな汎用GPUコンピューティングの進歩とともに、人工知能の重要なコンポーネントとなり、驚くべきブレークスルーと採用障壁の低減を可能にしている。
Pythonは、科学計算、データサイエンス、機械学習において最も好まれる言語であり続けており、低レベルのライブラリとクリーンな高レベルのAPIを使用することで、パフォーマンスと生産性の両方を高める。
この調査は、pythonによる機械学習の分野に関する洞察を提供し、重要なトピックを振り返って、それを可能にしたコアハードウェアとソフトウェアパラダイムを特定する。
我々は、読者を教育し、Python機械学習の分野を前進させることを目的として、広く使われているライブラリと概念を網羅し、総合的な比較のために収集する。
関連論文リスト
- Deep Learning and Machine Learning -- Python Data Structures and Mathematics Fundamental: From Theory to Practice [17.571124565519263]
本はPythonに焦点をあて、理論数学と実践的応用のギャップを埋める。
基本的なPythonプログラミング、基本的な数学的演算、行列演算、線形代数、最適化技術などが含まれる。
初心者と高度な学習者の両方のためにデザインされた本は、スケーラブルなAIソリューションの開発における数学的原則の重要な役割を強調している。
論文 参考訳（メタデータ） (2024-10-22T06:55:53Z) - A Comprehensive Guide to Combining R and Python code for Data Science, Machine Learning and Reinforcement Learning [42.350737545269105]
機械学習、ディープラーニング、強化学習プロジェクトを構築するために、PythonのScikit-learn、pytorch、OpenAIのジムライブラリを簡単に実行する方法を示します。
論文 参考訳（メタデータ） (2024-07-19T23:01:48Z) - A Declarative Query Language for Scientific Machine Learning [0.0]
我々は,ナイーブユーザのための新しい宣言型機械学習クエリ言語であるem MQLを紹介した。
本稿では,MQLを用いた2つの材料科学実験について論じる。
論文 参考訳（メタデータ） (2024-05-25T09:58:33Z) - EndToEndML: An Open-Source End-to-End Pipeline for Machine Learning Applications [0.2826977330147589]
機械学習モデルの事前処理、トレーニング、評価、可視化が可能なWebベースのエンドツーエンドパイプラインを提案する。
本ライブラリは,マルチモーダル・マルチセンサ・データセットの認識,分類,クラスタリング,および予測を支援する。
論文 参考訳（メタデータ） (2024-03-27T02:24:38Z) - Deep Learning for Code Intelligence: Survey, Benchmark and Toolkit [63.82016263181941]
コードインテリジェンスは、機械学習技術を活用して、広範なコードコーパスから知識を抽出する。
現在、コードインテリジェンスに重点を置く研究コミュニティは活発です。
論文 参考訳（メタデータ） (2023-12-30T17:48:37Z) - Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。
PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
論文 参考訳（メタデータ） (2023-08-15T16:37:16Z) - Flashlight: Enabling Innovation in Tools for Machine Learning [50.63188263773778]
私たちは、機械学習ツールやシステムの革新を促進するために構築されたオープンソースのライブラリであるFlashlightを紹介します。
Flashlightは、広く使われているライブラリを下流で活用し、機械学習とシステム研究者をより緊密に連携させる研究を可能にするツールだと考えています。
論文 参考訳（メタデータ） (2022-01-29T01:03:29Z) - PyKale: Knowledge-Aware Machine Learning from Multiple Sources in Python [6.276936701568444]
Pykaleは、グラフ、画像、テキスト、ビデオに関する知識を意識した機械学習のためのPythonライブラリである。
我々は、標準的なソフトウェアエンジニアリングプラクティスに基づいて、新しいグリーン機械学習ガイドラインを定式化する。
私たちはPyTorch上にPyKaleを構築し、リッチなPyTorchエコシステムを活用しています。
論文 参考訳（メタデータ） (2021-06-17T18:35:37Z) - Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。
ディープラーニングは、独自の機械学習のサブフィールドになっている。
生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
論文 参考訳（メタデータ） (2021-05-29T21:02:44Z) - Synthetic Data: Opening the data floodgates to enable faster, more
directed development of machine learning methods [96.92041573661407]
機械学習における画期的な進歩の多くは、大量のリッチデータを利用できることに起因する。
多くの大規模データセットは、医療データなど高度に敏感であり、機械学習コミュニティでは広く利用できない。
プライバシー保証で合成データを生成することは、そのようなソリューションを提供します。
論文 参考訳（メタデータ） (2020-12-08T17:26:10Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。