Lale

Lale یک کتابخانه Python برای علم داده نیمه‌ خودکار است. این کتابخانه، انتخاب خودکار الگوریتم‌ها و تنظیم ابرپارامترهای پایپ‌لاین‌های سازگار با scikit-learn را، به شکلی ایمن از نظر نوع داده ساده می‌کند. اگر دانشمند داده هستید و می‌خواهید یادگیری ماشین خودکار را آزمایش و بررسی کنید، این کتابخانه می‌تواند برای شما مفید باشد.

Lale در سه زمینه، قابلیت هایی فراتر از scikit-learn ایجاد می‌کند: خودکارسازی، بررسی درستی، و تعامل‌پذیری. برای خودکارسازی، Lale یک رابط سطح‌بالای یکپارچه برای ابزارهای موجود جست‌وجوی پایپ‌لاین مانند Hyperopt، GridSearchCV و SMAC فراهم می‌کند. برای بررسی درستی، Lale از JSON Schema استفاده می‌کند تا ناسازگاری‌های مربوط به ابرپارامترها و نوع آن‌ها، یا ناسازگاری‌های مربوط به داده‌ها و عملگرها را شناسایی کند. و برای تعامل‌پذیری، Lale مجموعه‌ای رو به رشد از تبدیل‌گرها و تخمین‌گرهای کتابخانه‌های محبوبی مانند scikit-learn، XGBoost، PyTorch و سایر کتابخانه‌های مشابه دیگر را در اختیار دارد. Lale مانند هر بسته Python دیگری قابل نصب است و همچنین با استفاده از ابزارهای رایج Python مانند Jupyter notebooks قابل ویرایش است.

• راهنمای مقدماتی برای کاربران scikit-learn
• دستورالعمل نصب
• مرور فنی: اسلایدها، نوت‌بوک، و ویدئو
• IBM AutoAI SDK از Lale استفاده می‌کند؛ نسخه دمو نوت‌بوک را ببینید
• راهنمای اضافه کردن عملگرهای جدید
• راهنمای مشارکت در Lale
• پرسش‌های متداول
• مقالات
• مستندات API پایتون

نام Lale، که به صورت laleh تلفظ می‌شود، از واژه فارسی «لاله» گرفته شده است. مانند سایر کتابخانه‌های محبوب یادگیری ماشین، از جمله scikit-learn، ‏Lale نیز فقط یک کتابخانه Python است، نه یک زبان برنامه‌نویسی مستقل جدید. کاربران لازم نیست ابزارهای جدیدی نصب کنند یا syntax جدیدی یاد بگیرند.

Lale تحت شرایط مجوز Apache 2.0 منتشر شده است؛ برای اطلاعات بیشتر فایل LICENSE.txt را ببینید. این پروژه در حال حاضر در وضعیت نسخه آلفا است و هیچ‌گونه ضمانتی ندارد.