Algunos problemas (o enfoques) que (en mi experiencia) están fuera de las capacidades de Scikit-Learn.
- Aprendizaje automático a gran escala de cualquier tipo (en GB, TB o PB de datos en un entorno de escalamiento horizontal)
- Algoritmos de aprendizaje automático de series temporales de cualquier tipo (aunque Statsmodels tiene implementaciones en la pila de Python)
- Árboles degradados mejorados (aunque algunos de estos, como los modelos Adaboost y Extra Trees, están disponibles dentro de Scikit Learn)
- Modelos de aprendizaje profundo de cualquier tipo (aunque existe alguna funcionalidad rudimentaria con máquinas de Boltzmann restringidas)
La última versión que he usado es Scikit-learn 0.18, por lo que quizás las versiones posteriores (dependiendo de cuándo esté leyendo esto) de hecho puedan tener soporte para algunas de estas cosas.
- ¿Qué debo hacer para un bot de chat con aprendizaje automático?
- ¿Qué universidades de la India son buenas para realizar investigaciones en el aprendizaje por refuerzo?
- ¿Cuánto aprendizaje automático aprendería al completar el curso Andrew Ng (el de Coursera), en una escala de 100?
- ¿Cuáles son los límites de los modelos ocultos de Markov en la minería de texto?
- ¿Cuáles son las principales diferencias entre TensorFlow y SciKit Learn?