Jan, 2023

PyExperimenter：轻松分发实验并跟踪结果

PDF
TL;DRPyExperimenter 是一个自动化工具，旨在帮助人工智能领域的研究人员设置、记录、执行和后续评估算法的实证研究结果，从而显着减少涉及的手动工作。
pyexperimenterempirical studyalgorithmsartificial intelligenceautomation
发现论文，激发创造
  • 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

  • 在线场地试验的设计和部署

    介绍了一种用于在线实验的语言 PlanOut，支持常见和更复杂的实验设计，可用于理解用户行为的因果机制，通过两个在 Facebook 上进行的大型实验展示其应用。

    Sep, 2014

  • Memento: 促进轻松、高效、可靠的机器学习实验

    本文介绍了 Memento，这是一个 Python 软件包，旨在帮助研究人员和数据科学家高效管理和执行计算密集型实验，以简化机器学习实验的复杂性。

    Apr, 2023

  • 使用 Jupyter Notebook 作为开放科学工具：一项实证研究

    Jupyter notebook 是科学家们分享代码、计算和文档的强大工具，以应对数据密集型和计算密集型的科学研究。

    Apr, 2018

  • Pyreal：可解释的机器学习解释框架

    使用 Pyreal 系统，我们研发了一个高度可扩展的、用于生成各种可解释的机器学习解释的 Python 实现，使用户能够以低代码方式生成易于理解的解释，研究表明 Pyreal 相比现有系统生成的解释更有用，并且易于使用且高效。

    Dec, 2023

  • PyTrial: 人工智能药物研发综合平台

    开发了一个名为 PyTrial 的 Python 包，实现了支持人工智能算法的各种临床试验任务，包括患者预后预测、试验结果预测、患者 - 试验匹配、试验相似性搜索和合成数据生成。

    Jun, 2023

  • 使用 PyTerrier 进行信息检索的声明性实验

    本研究提出了一个名为 PyTerrier 的框架，它利用深度机器学习技术如 Tensorflow 和 Pytorch，并采用类似于它们的声明式语言，实现信息检索系统高效检索管道的自动化优化。在 TREC Robust 和 ClueWeb09 测试集上的测试结果表明，PyTerrier 可以提高检索效率。

    Jul, 2020

  • 缓存和可复现性：使数据科学实验更快、更公平

    本文建议将缓存作为数据科学项目中研究软件开发过程的组成部分，以促进实验的重现性和可持续发展，从而实现对数据相关性越来越公平。

    Nov, 2022

  • explAIner：一种交互和可解释的机器学习视觉分析框架

    该论文提出了一个交互式和可解释的机器学习框架，同时结合了一个迭代的 XAI 管道和八个全局监控机制，通过可视化分析系统 explAIner 在 TensorBoard 环境下执行，增强了用户了解机器学习模型以及发现其局限性、优化和更新的能力，同时通过用户研究证实该框架可以帮助用户获得更详尽的信息和发现更多扩展机会。

    Jul, 2019

  • Booking.com 的在线控制实验民主化

    这篇论文介绍了 Booking.com 如何通过建立成功和失败的中央资源库、具有通用性和可扩展性的代码库、监控数据收集管道的质量和可靠性、并实施保障措施等方面，在超过十年的时间内在产品开发中成功地实现了在线实验的民主化和分散化决策。

    Oct, 2017