首页/论文/1202.6548

arXiv 1202.65482012-02cs.MScs.LGstat.ML

mlpy：机器学习Python

mlpy: Machine Learning Python

Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；University of Trento（特伦托大学）

Davide Albanese, Roberto Visintainer, Stefano Merler, Samantha Riccadonna, Giuseppe Jurman, Cesare Furlanello

备注：: Corrected a few typos; rephrased two sentences in the Overview section

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

mlpy是一个Python开源机器学习库，构建在NumPy/SciPy和GNU Scientific Libraries之上。MLPy为监督和非监督问题提供了广泛的最先进的机器学习方法，并且其目的是在模块化、可维护性、可再现性、可用性和效率之间找到合理的折衷。mlpy是多平台的，它与Python 2和3一起工作，它在网站http://mlpy.fbk.eu上根据GPL 3分发。

英文摘要：

mlpy is a Python Open Source Machine Learning library built on top of NumPy/SciPy and the GNU Scientific Libraries. mlpy provides a wide range of state-of-the-art machine learning methods for supervised and unsupervised problems and it is aimed at finding a reasonable compromise among modularity, maintainability, reproducibility, usability and efficiency. mlpy is multiplatform, it works with Python 2 and 3 and it is distributed under GPL3 at the website http://mlpy.fbk.eu.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

geomstats：一个用于机器学习中黎曼几何的Python包

geomstats: a Python Package for Riemannian Geometry in Machine Learning

Stanford University（斯坦福大学）；Froglabs AI（Froglabs人工智能公司）；Inria Sophia-Antipolis（法国国家信息与自动化研究所索菲亚-安蒂波利斯分院）

我们将介绍geomstats，这是一个Python软件包，可以在超球面、双曲空间、对称正定矩阵空间和变换李群等流形上执行计算。我们提供了这些流形的有效和广泛的单元测试实现，以及有用的黎曼度量和相关的指数和对数映射。相应的测地线距离提供了一系列机器学习损失函数的直观选择。我们也给出了相应的黎曼梯度。geomstats中实现的操作可用于不同的计算后端，如numpy，tensorflow和keras。我们已经启用了GPU实现，并将geomstats流形计算集成到keras深度学习框架中。本文还介绍了机器学习中流形的回顾和geomstats包的概述，并举例说明其用于高效和用户友好的黎曼几何。

2018-11-06cs.LGcs.MSstat.ML

使用Stata/Python的机器学习

Machine Learning using Stata/Python

IRCrES-CNR（国家研究委员会环境与可持续经济研究所）

我们提出了两个相关的Stata模块，r_ml_stata和c_ml_stata，用于在回归和分类设置中拟合流行的机器学习（ML）方法。使用Stata 16的最新Stata/Python集成平台（sfi），这些命令通过使用贪婪搜索的K-fold交叉验证提供超参数的最佳调整。更具体地说，他们使用Python Scikit-learn API来执行交叉验证和结果/标签预测。

2021-03-03cs.LGcs.MSstat.CO

Tangent：在Python中使用Source Code转换的自动微分

Tangent: Automatic Differentiation Using Source Code Transformation in Python

自动微分（AD）是机器学习程序设计系统的基本要素。Tangent是一个新的库，它使用Python中的源代码转换（SCT）来执行AD。它以Python和NumPy的语法子集编写的数值函数作为输入，并生成计算导数的新Python函数。这种自动微分的方法不同于机器学习中流行的现有包，如TensorFlow和Autograd。优点是Tangent在Python中生成梯度代码，用户可读，易于理解和调试，并且没有运行时开销。Tangent还引入了抽象，以便轻松地将逻辑注入到生成的梯度代码中，进一步提高了可用性。

2017-11-07cs.MSstat.ML

DRO：一个面向机器学习中分布鲁棒优化的Python库

DRO: A Python Library for Distributionally Robust Optimization in Machine Learning

本文介绍了dro，一个兼容scikit-learn和PyTorch的开源Python库，支持79种分布鲁棒优化方法，并通过向量化与优化近似技术实现10倍至1000倍以上的运行加速。

2026-11-03cs.LGcs.MScs.NA

Scikit-learn：Python中的机器学习

Scikit-learn: Machine Learning in Python

INRIA（法国国家信息与自动化研究所）；Normalesup（巴黎高等师范学院）；Neurospin（神经影像实验室）；CEA Saclay（法国原子能委员会萨克莱研究所）；ENSTA（巴黎高等电信学院）；Nuxeo（Nuxeo公司）；Kobe University（神户大学）；Columbia University（哥伦比亚大学）；Sydney Informatics Hub（悉尼信息学中心）；University of Sydney（悉尼大学）；University of Liège（列日大学）；Bauhaus-Universität Weimar（魏玛包豪斯大学）；Google Inc（谷歌公司）；Clermont Université（克莱蒙大学）；IFMA（IFMA学院）；LaMI（LaMI实验室）；University of Washington（华盛顿大学）；UMass Amherst（马萨诸塞大学阿默斯特分校）

Scikit-learn是一个Python模块，集成了广泛的最先进的机器学习算法，用于中等规模的监督和无监督问题。这个软件包的重点是使用通用高级语言将机器学习带给非专业人员。重点放在易用性、性能、文档和API一致性上。它具有最小的依赖性，并在简化的BSD许可证下分发，鼓励其在学术和商业环境中使用。源代码、二进制文件和文档可以从http://scikit-learn.org下载。

2018-06-05cs.LGcs.MS

Geomstats：一个用于机器学习中黎曼几何的Python包

Geomstats: A Python Package for Riemannian Geometry in Machine Learning

Inria（法国国家信息与自动化研究所）

我们介绍Geomstats，一个开源Python工具箱，用于非线性流形的计算和统计，例如双曲空间，对称正定矩阵空间，变换李群等等。我们提供面向对象和广泛的单元测试的实现。其中，流形配备了黎曼度量的家庭，与相关的指数和对数映射，测地线和平行运输。统计学和学习算法为流形上的估计、聚类和降维提供了方法。所有相关的操作都是矢量化的，用于批量计算，并为不同的执行后端提供支持，即NumPy，PyTorch和TensorFlow，从而实现GPU加速。本文介绍了该软件包，并将其与相关库进行了比较，并提供了相关的代码示例。我们表明，Geomstats提供了可靠的构建块，以促进微分几何和统计学的研究，并在机器学习应用程序中民主化黎曼几何的使用。源代码可以在\url{geomstats.ai}的MIT许可下免费获得。

2020-04-07cs.LGcs.MS

更多相关论文收起更多论文

River：Python中用于流数据的机器学习

River: machine learning for streaming data in Python

University of Waikato（怀卡托大学）；Alan；University of São Paulo（圣保罗大学）；Volvo Car Corporation（沃尔沃汽车公司）；IRIT, Université Paul Sabatier（保罗·萨巴捷大学图卢兹信息学研究所）；Renault（雷诺）；Octogone Lordat, Université Jean-Jaures（让·饶勒斯大学 Octogone Lordat）；IRT Saint Exupéry（圣埃克苏佩里技术研究院）；École Polytechnique, Institut Polytechnique de Paris（巴黎理工学院巴黎综合理工学院）；Télécom Paris, Institut Polytechnique de Paris（巴黎理工学院巴黎电信学院）

River是一个用于动态数据流和持续学习的机器学习库。它为不同的流学习问题提供了多种最先进的学习方法，数据生成器/Transformers，性能指标和评估器。它是Python中两个最流行的流学习包合并的结果：Creme和scikit-multiflow。River引入了一个基于从开创性软件包中吸取的经验教训的改进架构。River的目标是成为在流数据上进行机器学习的首选库。此外，这个开源软件包将一个由从业者和研究人员组成的大型社区纳入同一保护伞之下。源代码可在https://github.com/online-ml/river上获得。

2020-12-08cs.AIcs.LGcs.MS

机器学习中伪随机数生成器的可复现性、能效与性能：Python、NumPy、TensorFlow和PyTorch实现的比较研究

Reproducibility, energy efficiency and performance of pseudorandom number generators in machine learning: a comparative study of python, numpy, tensorflow, and pytorch implementations

CNRS（法国国家科学研究中心）；Clermont Auvergne INP（克莱蒙奥弗涅国立高等学院）；Université Clermont Auvergne（克莱蒙奥弗涅大学）；Mines St-Etienne（圣埃蒂安国立矿业学校）

本研究比较了Python、NumPy、TensorFlow和PyTorch中主流伪随机数生成器（PRNGs）在可复现性、能效与性能上的表现，发现其时间与能耗接近C实现，统计质量可比，但跨平台数值可复现性未能实现。

2024-02-10cs.LGcs.MS

TopoX：一套用于拓扑域机器学习的Python包套件

TopoX: A Suite of Python Packages for Machine Learning on Topological Domains

PTC（PTC公司）

本研究推出Python软件套件TopoX，含三个功能包，为超图等多种拓扑域的计算与机器学习提供易用可靠的基础模块，代码开源且文档完善。

2024-12-09cs.AIcs.LGcs.MS

Julia在科学机器学习领域的现状

The State of Julia for Scientific Machine Learning

Northeastern University（东北大学）

本文评估了Julia语言在科学机器学习领域的现状、特性与生态系统，探讨了其取代Python的可行性与陷阱，并呼吁社区解决阻碍其普及的语言级问题。

2024-12-20cs.LGcs.MScs.PL

Python、Go和C++在N-Queens问题上的比较

Comparing Python, Go, and C++ on the N-Queens Problem

Python目前是机器学习领域的主导语言，但经常因执行某些任务缓慢而受到批评。在本报告中，我们使用著名的$N$ -queens难题作为基准，以表明一旦使用Numba编译器编译，它在执行速度方面与C++和Go竞争，同时仍然允许非常快速的原型设计。这对顺序程序和并行程序都是如此。因此，在学术环境中出现的大多数情况下，使用普通Python开发，识别计算瓶颈并使用Numba消除它们是有意义的。

2020-01-08cs.MS

通过ParaMonte：：Python库实现快速、完全可再现的串行/并行Monte Carlo和MCMC模拟和可视化

Fast fully-reproducible serial/parallel Monte Carlo and MCMC simulations and visualizations via ParaMonte::Python library

ParaMonte：：Python（在Python中代表并行蒙特卡罗）是一个串行和MPI并行化的（马尔可夫链）蒙特卡罗（MCMC）例程库，用于采样数学目标函数，特别是数据科学，机器学习和科学推理中贝叶斯建模和分析中参数的后验分布。除了提供对快速高性能串行/并行Monte Carlo和MCMC采样例程的访问外，ParaMonte：：Python库还提供了广泛的后处理和可视化工具，旨在自动化和简化贝叶斯数据分析中的模型校准和不确定性量化过程。此外，ParaMonte：：Python采样器的自动重启功能确保了蒙特卡洛模拟在发生任何中断时的无缝完全确定性重启。ParaMonte：：Python库是MIT许可的，并在GitHub上永久维护，网址为https://github.com/cdslaborg/paramonte/tree/master/src/interface/Python。

2020-10-01astro-ph.IMcs.MSq-bio.QM