Jun, 2019

Gradio：无需烦恼地在互联网上分享和测试机器学习模型

HTML
PDF
TL;DR开发了一个名为Gradio的Python开源包，它允许研究人员快速生成其ML模型的可视化界面，以改善机器学习领域中的访问性问题并便于交流与协作。
发现论文，激发创造
  • OpenML：机器学习中的网络科学

    介绍了 OpenML，这是一个用于分享和组织详细数据以更有效地工作、更可见和与他人合作解决更困难问题的机器学习研究者的场所，探讨了OpenML与其他网络科学实例的关系以及对机器学习研究、科学家和学生从业者带来的好处。

    Jul, 2014

  • OpenML: 一个连接机器学习平台OpenML的R包

    本文介绍了一个R包与Online机器学习平台OpenML的接口，并展示了在结合使用机器学习R软件mlr时的使用。OpenML平台可帮助R用户轻松搜索、下载和上传数据集和机器学习任务，自动化大部分繁琐的工作，促进协作，加速研究，增加用户的在线可见性。

    Jan, 2017

  • DLHub：面向科研的模型和数据服务

    介绍了 Data and Learning Hub for science (DLHub)，它是一个多租户系统，具有模型库和服务功能，并专注于科学应用，这解决了当前系统中的一些局限性。DLHub使用户能够共享、发布、验证、重现和重用模型，并通过简单的 Web 接口使用可扩展和低延迟的服务能力，以提高模型可用性和可访问性。

    Nov, 2018

  • OpenML-Python: 一个可扩展的 Python API 用于 OpenML

    OpenML-Python 是一个开发用于机器学习的 Python 平台，允许用户在 OpenML 上分享、访问和重现机器学习的数据集、任务和实验，并提供了整合其他 Python 机器学习库的插件机制。

    Nov, 2019

  • Git-Theta: 机器学习模型协作开发的Git扩展

    本文介绍Git-Theta，这是一种适用于机器学习模型的版本控制系统，它可以追踪模型参数的细微变化并支持通信效率高的更新、模型合并和差异报告。通过公开发布Git-Theta，旨在开启协作模型开发的新时代。

    Jun, 2023

  • Model Share AI：Python下的协作机器学习模型开发、溯源追踪和部署的综合工具包

    介绍了 Model Share AI (AIMS) 平台，旨在通过协作模型开发、模型追溯、模型部署等功能最大化机器学习研究的实际影响。

    Sep, 2023

  • GEVO-ML: 使用进化计算优化机器学习代码

    GEVO-ML是一个工具，用于自动发现ML内核的优化机会和性能调优，在多层中间表示（MLIR）中统一表示模型和训练/预测过程，使用多目标进化搜索来改进在GPU上运行的MLIR代码的性能，而保持所需功能。

    Oct, 2023

  • Julearn: 机器学习模型的无泄漏评估和检查的易用库

    机器学习在神经科学中的应用是一个具有挑战性的领域，本文介绍了julearn这一开源Python库，用于设计和评估复杂的机器学习流程，以简化研究项目中常见的陷阱。

    Oct, 2023

  • MLXP：Python 中可复制机器学习实验的框架

    利用MLXP工具，可以简化实验流程，降低操作难度，并确保高度的复现性。

    Feb, 2024

  • 机器学习驱动的软件系统中模型集成的大规模研究

    本研究解决了目前对机器学习（ML）驱动的软件系统特征了解不足的问题。通过对2928个开源系统的分类与分析，提出了一种新的研究思路，揭示了ML模型的嵌入与集成实践。研究结果为从业者和研究人员提供了重要见解，促进数据科学与软件工程的结合。

    Aug, 2024