因式分解机

技术包括用于图像数据的 StyleGans 和用于表格数据的 GaN。 为深度学习模型生成合成数据。

高度分布式和多线程。 返回未标记数据表和标记数据表的预测标签。

学习不同的贝叶斯网络结构，包括朴素、树型朴素 (TAN)、贝叶斯网络增强朴素 (BAN)、因果贝叶斯网络和马尔可夫毯。 通过独立性测试执行有效的变量选择

为二值型目标标签建模。 支持线性和多项式内核进行模型训练。 能够包含连续和分类的输入/输出功能。

自动智能调整参数集以识别最佳模型。 支持计数数据建模。 大多数神经网络参数的智能默认值。 能够自定义神经网络架构和权重。

实现决策树的自动化集成，以预测单个目标。 独立训练运行自动化分布。 支持模型参数的智能自动调整

包括拟合 Q 网络 (FQN) 和深度 Q 网络 (DQN) 在内的技术。 FQN 可以在预先收集的数据点上训练模型，而无需与环境进行通信