¿Cuáles son algunos problemas de aprendizaje automático que están más allá del poder de scikit-learn para resolver?

Algunos problemas (o enfoques) que (en mi experiencia) están fuera de las capacidades de Scikit-Learn.

1. Aprendizaje automático a gran escala de cualquier tipo (en GB, TB o PB de datos en un entorno de escalamiento horizontal)
2. Algoritmos de aprendizaje automático de series temporales de cualquier tipo (aunque Statsmodels tiene implementaciones en la pila de Python)
3. Árboles degradados mejorados (aunque algunos de estos, como los modelos Adaboost y Extra Trees, están disponibles dentro de Scikit Learn)
4. 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?