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."
