Clasificación
Identificar a qué categoría pertenece un objeto.
Aplicaciones: Detección de span, reconocimiento de imágenes.
Algoritmos:
SVM,
vecinos más cercanos,
bosque aleatorio,
y más...
Regresión
Predecir un atributo continuo asociado con un objeto.
Aplicaciones: Respuesta a una droga, precios de acciones.
Algorithms:
SVR,
vecinos más cercanos,
bosque aleatorio,
y más...
Análisis de conglomerados
Agrupación automática de objetos similares en conjuntos.
Aplicaciones: Segmentación de clientes, agrupar resultados experimentales.
Algoritmos:
k-Means,
spectral clustering,
desplazamiento de media,
y más...
Reducción de dimensionalidad
Reducir el número de variables aleatorias a considerar.
Aplicaciones: Visualización, eficiencia incrementada.
Algoritmos:
k-medias,
selección de características,
factorización de matriz no-negativa,
y más...
Selección de modelo
Comparar, validar y escoger parámetros y modelos.
Aplicaciones: Exactitud mejorada via ajustes de parámetros.
Algoritmos:
búsqueda en cuadrícula,
validación cruzada,
métricas,
y más...
Preprocesamiento
Extracción de características y normalización.
Aplicaciones: Transformar datos de entrada (como texto) para su uso con algoritmos de aprendizaje automático.
Algoritmos:
preprocesamiento,
extracción de características,
y más...
"Utilizamos scikit-learn para apoyar investigación de punta [...]"
"Creo que es el paquete de ML mejor diseñado que he visto hasta ahora."
"La facilidad de uso de scikit-learn, su rendimiento, y la variedad de algoritmos implementados han sido invaluables [...]."
"La gran ventaja de scikit-learn es su rápida curva de aprendizaje [...]"
"Nos permite hacer cosas impresionantes que de otro modo no lograríamos"
"scikit-learn pone al alcance de cualquiera la realización de análisis avanzados en Python."
