SciML/SciMLSensitivity.jl

A component of the DiffEq ecosystem for enabling sensitivity analysis for scientific machine learning (SciML). Optimize-then-discretize, discretize-then-optimize, adjoint methods, and more for ODEs, SDEs, DDEs, DAEs, etc.

解決する問題

科学的機械学習（SciML）エコシステム内での感度分析のためのユーティリティを提供し、入力パラメータの変化が科学的モデルの出力にどのように影響するかを理解できるようにします。

動作方法

DifferentialEquations.jl などの SciML エコシステム内の他のライブラリで使用される感度分析の基盤ツールを提供するコンポーネントパッケージとして機能します。

対象ユーザー

モデルの感度分析が必要な科学的機械学習に取り組む研究者や開発者です。

特徴

  • より広範な SciML 科学的機械学習エコシステムの一部
  • DifferentialEquations.jl と統合済み

関連

  • プロジェクト
    DoubleML/doubleml-for-py

    scikit-learn を使用してバイアスを低減する構造的パラメータを推定するための、二重／バイアス補正機械学習フレームワークを実装した Python パッケージ。

  • プロジェクト
    materialyzeai/maml

    材料科学の機械学習のための高レベルインターフェースを提供する Python パッケージです。材料データを性質予測やエネルギー表面モデリングのための特徴量に変換することを可能にします。

  • プロジェクト
    py-why/EconML

    EconML は、機械学習と計量経済学を組み合わせて、観察データから異質な処置効果を推定するためのPythonパッケージです。自動因果推論を実現します。

  • プロジェクト
    SciML/SciMLBenchmarks.jl

    ODE、SDE、およびAI駆動の科学モデルの速度と精度の再現可能な比較を提供する、科学的機械学習および方程式ソルバー向けの包括的なベンチマークスイート。

  • プロジェクト
    feature-engine/feature_engine

    機械学習モデルのパフォーマンスを向上させるために、包括的な特徴量エンジニアリングと選択を実現する、Scikit-learn互換のトランスフォーマーを提供するPythonライブラリ。