Collection Machine Learning & Analytics

Les données se présentent sous toutes sortes de formes et de tailles. Or, pour en retirer des informations exploitables de manière efficace, il est indispensable de bien connaître les techniques de science des données. La collection Machine Learning and Analytics BIOVIA Pipeline Pilot offre un ensemble complet de fonctionnalités de machine learning et de modélisation vous permettant de rationaliser vos initiatives en matière de science des données.

Vous analysez les données, entraînez les modèles à de multiples reprises, et déployez votre solution automatisée dans le cadre d'applications d'entreprise pratiques.

En général, le développement de solutions de machine learning nécessite des architectures logicielles complexes et des connaissances approfondies en statistiques. Avec la collection Analytics and Machine Learning BIOVIA Pipeline Pilot, les développeurs comme les utilisateurs finaux peuvent intégrer les dernières techniques de machine learning dans leurs workflows en l'espace de quelques clics. Aucun codage n'est requis.

• Fusionner, joindre, caractériser et nettoyer les ensembles de données
• Appliquer plus d'une quinzaine de méthodes de machine learning (ML) à vos données scientifiques et d'ingénierie
  • Utiliser des méthodes de ML avec le langage R, telles que les machines à vecteurs de support (SVM), les réseaux neuronaux et XGBoost sans écrire de scripts R
  • Utiliser des bibliothèques Python ML, notamment scikit-learn et TensorFlow
• Appliquer rapidement des analyses statistiques
  • Examiner et comparer les performances des ensembles de tests de modèle à l'aide de visualiseurs d'évaluation de modèles de régression et de classification
  • Élaborer rapidement des modèles de classification bayésienne évolutifs
  • Sélectionner des variables et créer des modèles d'ensemble de régression à l'aide de l'algorithme génétique de la méthode GFA
  • Élaborer des modèles de régression et de classification RP Forest précis et simples d'emploi
• Organiser les performances du modèle
  • Déployer les méthodes MAD (Model Applicability Domain) et la validation croisée
  • Utiliser le cadre de travail du ML pour la validation croisée, le réglage des hyperparamètres et l'évaluation de l'importance variable pour tout type de modèle
• Adopter des méthodes de travail flexibles
  • Prendre en charge des plates-formes et des outils statistiques tiers, tels que Jupyter Notebook, R, JMP et SAS
• Interpréter les données propres à une discipline
  • Spécialement conçu pour prendre en charge différents types de données numériques, chimiques, biologiques, textuelles et graphiques
  • Évaluer la fiabilité de prédiction portant sur des échantillons spécifiques à l'aide de mesures de domaine d'applicabilité et de modèles d'erreur intégrés
• Optimiser les prédictions
  • Entraîner plusieurs modèles d'évaluation en parallèle afin d'identifier les plus performants ou combiner différents modèles en un seul
• Simplifier l'optimisation multi-objectif
  • Employer des méthodes telles que la loi de Pareto pour résoudre les problèmes d'optimisation multi-objectif
• Visualiser les résultats dans le workflow
  • Générer des rapports interactifs comprenant des courbes ROC (receiver operating characteristic), des tracés d'enrichissement et d'autres techniques de visualisation
  • Réaliser des analyses exploratoires, notamment des analyses en composantes principales (PCA) et en clusters, ainsi que des visualisations de données multidimensionnelles