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.

解決的問題

為科學機器學習（SciML）生態系統提供感度分析工具，協助使用者理解輸入參數的變化如何影響科學模型的輸出。

作用方式

作為一個元件套件，提供其他 SciML 生態系統中的套件（例如 DifferentialEquations.jl）所使用的底層感度分析工具。

適用對象

需要對其模型進行感度分析的科學機器學習研究人員與開發者。

主要特色

  • 屬於更廣泛的 SciML 科學機器學習生態系統的一部分
  • 與 DifferentialEquations.jl 整合

相關

  • 專案
    DoubleML/doubleml-for-py

    一個使用 scikit-learn 實作雙/去偏機器學習框架的 Python 套件，用於減少使用機器學習模型估計干擾函數時的偏差，從而估計結構參數。

  • 專案
    materialyzeai/maml

    一個 Python 套件，為材料科學機器學習提供高階介面，能夠將材料數據轉換為用於性質預測和能量表面建模的特徵。

  • 專案
    py-why/EconML

    EconML 是一個 Python 套件，透過結合機器學習與計量經濟學，從觀測資料中估計異質性處理效果，實現自動化因果推論。

  • 專案
    SciML/SciMLBenchmarks.jl

    一個針對科學機器學習與方程求解器的綜合性基準測試套件，提供對 ODE、SDE 與 AI 驅動科學模型在速度與準確性方面的可重現比較。

  • 專案
    feature-engine/feature_engine

    一個 Python 套件，提供與 Scikit-learn 相容的轉換器，用於全面的特徵工程與選擇，以提升機器學習模型效能。