Colección de análisis y aprendizaje automático

Los datos se presentan en todas las formas y tamaños, pero para obtener información procesable de forma eficaz se requiere un profundo conocimiento de las técnicas de la ciencia de datos. La colección de aprendizaje automático y análisis de BIOVIA Pipeline Pilot proporciona un conjunto completo de funcionalidades de aprendizaje automático y modelado de datos para optimizar sus iniciativas en ciencia de datos.

Analice los datos, entrene y vuelva a entrenar los modelos e implante su solución automatizada en aplicaciones empresariales útiles.

El desarrollo de soluciones de aprendizaje automático requiere a menudo arquitecturas de software complejas y un profundo conocimiento estadístico. Con la colección de análisis y aprendizaje automático de BIOVIA Pipeline Pilot, tanto los desarrolladores como los usuarios finales pueden incorporar las últimas técnicas de aprendizaje automático a sus flujos de trabajo con tan solo unos clics. No se requiere codificación.

• Fusione, unifique, caracterice y limpie sus conjuntos de datos.
• Aplique cualquiera de los más de 15 métodos de aprendizaje automático (ML) a sus datos científicos y de ingeniería.
  • Utilice métodos de ML basados en R, como máquinas vectoriales de soporte, redes neuronales y XGBoost sin escribir secuencias de comandos de R.
  • Utilice las bibliotecas de ML de Python, incluidas scikit-learn y TensorFlow.
• Aplique rápidamente análisis estadísticos.
  • Utilice visores de evaluación de modelos de regresión y clasificación para evaluar y comparar el rendimiento del conjunto de pruebas de modelos.
  • Cree modelos de clasificación bayesiana rápidos y escalables.
  • Utilice el algoritmo genético del método GFA para la selección de variables y la construcción de modelos de conjunto de regresión.
  • Cree modelos de regresión y clasificación de Forest de RP precisos y fáciles de usar.
• Seleccione el rendimiento del modelo.
  • Implemente métodos de dominio de aplicabilidad de modelos (MAD) y validación cruzada.
  • Utilice el marco del ML para la validación cruzada, el ajuste de hiperparámetros y la evaluación de la importancia variable para cualquier tipo de modelo.
• Trabaje de forma flexible.
  • Compatibilidad con plataformas y herramientas estadísticas de terceros como Juppyter Notebook, R, JMP y SAS.
• Lea los datos específicos de cada disciplina.
  • Diseñado específicamente para admitir varios tipos de datos numéricos, químicos, biológicos, de texto y de imágenes.
  • Utilice medidas de dominio de aplicabilidad integradas y modelos de error para evaluar la confianza de predicción específica de la muestra.
• Optimice las predicciones.
  • Entrene varios modelos de ensayo en paralelo para identificar los mejores modelos o combinar varios en un solo modelo de conjunto.
• Simplifique la optimización multiobjetivo.
  • Emplee métodos, como la optimización de Pareto, para solucionar problemas de optimización multiobjetivo.
• Visualice los resultados en el flujo de trabajo.
  • Genere informes interactivos con gráficos ROC, gráficos de enriquecimiento y otras técnicas de visualización,
  • Realice análisis exploratorios, incluidos PCA, agrupamiento en clústeres y visualización de datos multidimensional,