本文讨论了Scikit-learn机器学习库API的设计选择,其中强调了可重用性和组合性,并评论了该库用户和开发者所面临的障碍。
Sep, 2013
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
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
本研究旨在提出可用于机器学习算法基准测试的 OpenML 基准测试集合,以标准化基准测试的设置、执行和报告,并提供一种针对分类任务的基准测试套件:OpenML Curated Classification benchmarking suite 2018。
Aug, 2017
本研究比较了多种 AutoML 工具在开源数据集上的表现,发现 auto-sklearn 在分类数据集上表现最佳,而 TPOT 在回归数据集上表现最佳。
Aug, 2018
介绍了一种名为secml的Python库,用于计算机安全和可解释性机器学习,通过实现针对机器学习的攻击来评估算法的安全性,并提供可解释性方法来帮助理解攻击成功的原因
Dec, 2019
Python机器学习领域的综述,研究使用Python核心硬件和软件范例(如深度神经网络和可扩展GPU计算)来处理海量数据和降低人工智能的使用门槛。
Feb, 2020
本文提出了一种名为SapientML的自动机器学习技术,通过从现有数据集中学习人类编写的管道,实现针对新数据集的高质量管道的快速生成,采用了一种三阶段程序合成方法来进行搜索空间的有效管理。评估结果表明,在41个基准数据集中,SapientML在27个基准数据集上的表现最佳或与最佳工具相当。
Feb, 2022
Assembled-OpenML是一个Python工具,可构建元数据集以在AutoML框架中使用集成学习技术,从而避免了基础模型的重复训练和评估。
Jul, 2023
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