prenigma_automl是一个开源、低代码的机器学习库。
prenigmaautoml的Python项目详细描述
prenigma_automl 2.1版
什么是prenigma_automl?在
prenigma_automl是一个开源的Python机器学习库,旨在减少ML实验中的假设到insights循环时间。它使数据科学家能够快速有效地进行端到端的实验。与其他开放源代码机器学习库相比,prenigma_automl是一个可替代的低代码库,可用于只需几行代码即可执行复杂的机器学习任务。prenigma_automl本质上是一个Python包装器,围绕着一些机器学习库和框架,比如scikit-learn
,XGBoost
,Microsoft LightGBM
,spaCy
等等。在
prenigma_automl的设计和简洁性受到了新兴角色citizen data scientists
的启发,这个词最早由Gartner使用。公民数据科学家是能够执行简单和适度复杂的分析任务的科学家,他们以前需要更多的专业知识。经验丰富的数据科学家通常很难找到,雇佣成本也很高,但公民数据科学家可以成为一种有效的方法来缩小这种差距,并解决商业环境中与数据相关的挑战。在
prenigma_automl是一个很好的图书馆,它不仅简化了公民数据科学家的机器学习任务,而且还帮助新成立的公司降低投资数据科学家团队的成本。因此,这个图书馆不仅帮助了公民数据科学家,而且还帮助了那些想开始探索数据科学领域的人,他们在这个领域没有任何先验知识。在
prenigma_automl是simple
、easy to use
和{pipeline
可以以二进制文件格式保存,该格式可以跨环境传输。在
有关prenigma_automl的更多信息,请访问我们的官方网站https://www.prenigma_automl.org在
当前次要版本
Auto{CDU}现已提供。请参阅2.1
发行说明。安装prenigma_automl最简单的方法是使用pip。在
pipinstallprenigma_automl
后续缺陷修复版本
- 当
log_experiment
为True
时,模型日志记录中导致的问题。修复了2020年8月30日发布的2.1.1
补丁中的错误。在 - 在
predict_model
的predict_model
功能中导致的问题。修复了2020年8月31日发布的2.1.2
补丁中的错误。在
文档:https://prenigma_automl.readthedocs.io/en/latest/
可选依赖项
以下库不是硬依赖项,在安装prenigma_automl时不会自动安装。要使用prenigma_automl的所有功能,必须安装这些可选依赖项。在
^{pr2}$Python:
只有64位版本的Python支持安装。在
重要环节
- 发行说明:https://github.com/prenigma_automl/prenigma_automl/releases/tag/2.1
- 文档:https://prenigma_automl.readthedocs.io/en/latest/
- 用户指南:https://www.prenigma_automl.org/guide在
- 入门教程:https://github.com/prenigma_automl/prenigma_automl/tree/master/tutorials
- 示例笔记本:https://github.com/prenigma_automl/prenigma_automl/tree/master/examples
- 其他资源:https://github.com/prenigma_automl/prenigma_automl/tree/master/resources
- 问题日志:https://github.com/prenigma_automl/prenigma_automl/issues
谁应该使用prenigma_automl?在
prenigma_automl是一个任何人都可以使用的开源库。我们认为prenigma_automl的理想目标受众是:
- 有经验的数据科学家,他们想提高生产力。在
- 喜欢低代码机器学习解决方案的公民数据科学家。在
- 数据科学专业的学生。在
- 参与构建概念验证项目的数据科学专业人员和顾问。在
当前贡献者
用contributors-img制成。在
许可证
版权所有2019-2020 Prenigma hello@predapp.com
在此免费授予获得本软件和相关文件副本的任何人的许可ation文件(以下简称“软件”),无限制地处理软件,包括但不限于使用、复制、修改、合并、发布、分发、再许可和/或出售软件副本的权利,以及允许提供软件的人员这样做,但须符合以下条件:
上述版权声明和本许可声明应包含在软件的所有副本或主要部分中。在
本软件按“原样”提供,无任何明示或暗示的保证,包括但不限于适销性、特定用途适用性和非侵权性的保证。在任何情况下,作者或版权持有人均不对因本软件或本软件的使用或其他交易而引起的、与之相关的任何索赔、损害赔偿或其他责任负责,无论是合同诉讼、侵权诉讼还是其他诉讼。 ©2020 GitHub公司
- 项目
标签: