> ML_KUTUPHANE // SCIKIT-LEARN_v1.0
scikit-learn
scikit-learn Consortium / Inria — Tahmine dayalı veri analizi için basit ve verimli araçlar.
classical-mlv1.5.2BSD-3-Clausequalified
Model Eğitimi (Training)
Desteklenen Hızlandırıcılar:
CPU
Dağıtık Eğitim (Distributed):Hayır
Model Sunumu (Inference)
Inference Hızlandırıcıları:
CPU
Hedef Ortamlar (Targets):server, edge
Kuantizasyon Formatları:ONNX float32/int8 via skl2onnx
Neleri Sağlar (Ne Yapar)
- +Klasik makine öğrenimi algoritmaları paketi (SVM, Random Forest, Ridge, k-means)
- +Tüm tahminciler için standart fit/transform/predict API'si
- +Çapraz doğrulama ve hiperparametre arama boru hatları
Neleri Sağlamaz (Ne Yapmaz)
- -GPU veya TPU üzerinde yerel hızlandırma sağlama
- -Derin yapay sinir ağları veya transformer modelleri eğitme
- -dask-ml olmaksızın tek düğümlü RAM kapasitesini aşan verileri işleme
>Uygun İş Tipleri
- Tablo veri taban çizgisi modelleme
- Küçük ve orta ölçekli veri setlerinde sınıflandırma ve regresyon
- Müşteri kaybı (churn) ve kredi puanlama prototipleri
>Uygun Olmayan İş Tipleri
- Çoklu GPU dağıtık eğitimi
- Yapılandırılmamış ham video ve ses derin temsil öğrenimi
Veri Yerleşimi ve İkameti
Yalnızca süreç içi bellek.
Güvenlik Değerlendirmesi
Güvenilmeyen kaynaklardan gelen modelleri kesinlikle pickle ile yüklemeyin.
Operasyonel Metrikler ve Bilinen Kısıtlar
Olgunluk:mature
Öğrenme Eğrisi:low
Operasyon Yükü:low
Maliyet Seviyesi:free-oss
> Bilinen Kısıtlamalar:
- Yerel olarak GPU üzerinde eğitim veya çıkarım desteği bulunmaz.
- Tek düğümlü bellek içi çalışır; fiziksel RAM sınırını aşamaz.
İlişkili Üretim Arıza Paternleri (Incidentpedia)
Bu kütüphaneyi üretimde kullanırken aşağıdaki arıza senaryolarına karşı fail-closed korumalar uygulayın:
> Birincil Kanıt ve Doğrulama Kaynakları
scikit-learn 1.5 Documentationofficial-docs • >=1.0.0, <=1.5.x
2026-09-25HIGH