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.

解决的问题

为科学机器学习（SciML）生态系统提供感度分析工具，帮助用户理解输入参数的变化如何影响科学模型的输出。

工作原理

作为一个组件包，提供其他 SciML 生态系统库（如 DifferentialEquations.jl）所使用的底层感度分析工具。

适用人群

需要对其模型进行感度分析的科学机器学习研究人员和开发者。

主要亮点

  • 属于更广泛的 SciML 科学机器学习生态系统的一部分
  • 与 DifferentialEquations.jl 集成

相关

  • 项目
    DoubleML/doubleml-for-py

    一个使用 scikit-learn 实现双/去偏机器学习框架的 Python 包，用于减少使用机器学习模型估计干扰函数时的偏差，从而估计结构参数。

  • 项目
    materialyzeai/maml

    一个 Python 包，为材料科学机器学习提供高阶接口，能够将材料数据转换为用于性质预测和能量表面建模的特征。

  • 项目
    py-why/EconML

    EconML 是一个 Python 包，通过结合机器学习与计量经济学，从观测数据中估计异质性处理效应，实现自动化因果推论。

  • 项目
    SciML/SciMLBenchmarks.jl

    一个为科学机器学习和方程求解器设计的综合性基准测试套件，提供对 ODE、SDE 和 AI 驱动的科学模型在速度和精度方面的可复现比较。

  • 项目
    feature-engine/feature_engine

    一个 Python 库，提供与 Scikit-learn 兼容的转换器，用于全面的特征工程和选择，以提升机器学习模型性能。