معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Classifier tuned for neuroimaging based on SpaRSA solver

ویژگی	مقدار
سیستم عامل	-
نام فایل	brainowl-0.1.dev0
نام	brainowl
نسخه کتابخانه	0.1.dev0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Jose P Valdes Herrera
ایمیل نویسنده	jpvaldesherrera@gmail.com
آدرس صفحه اصلی	https://github.com/jpvaldes/brainowl
آدرس اینترنتی	https://pypi.org/project/brainowl/
مجوز	BSD (3-clause)

# BrainOwl This is a classifier tuned for neuroimaging. In particular for task-related fMRI. It is meant to be used with the OWL norm (also called Ordered $l_1$ norm) and uses a solver based on SpaRSA. The OWL norm should identify features relevant for the learning problem, even if they are correlated. Weight maps based on OWL tend to be sparse, but not so sparse like the solutions from LASSO, for example. # Install Install using `pip` (be sure you have python3>=3.5): ``` {.bash} pip install brainowl ``` And done. If you want to have the source code, you can clone the repository using `git`: ``` {.bash} git clone https://github.com/jpvaldes/brainowl.git ``` and then install it: ``` {.bash} cd brainowl pip install -e . ``` # Usage example The included Jupyter notebook contains an example usage of the BrainOwl classifier showing how to decode two categories of the classic neuroimaging Haxby dataset. The dataset will be downloaded automatically if it is not found. # Acknowledgments The [scikit-learn](https://scikit-learn.org) library for making it easier to develop new ideas, the [pyowl](https://https://github.com/vene/pyowl) implementation, and the [nilearn](https://nilearn.github.io) project (in particular, the SpaceNet learners). This project contains code from [pyowl](https://https://github.com/vene/pyowl). # References X Zeng, M A T Figueiredo, The Ordered Weighted $l_1$ Norm: Atomic Formulation, Projections, and Algorithms. J. Bogdan, E. Berg, W. Su, and E. Candes, Statistical Estimation and Testing via the Ordered $l_1$ Norm. Stephen Wright, Robert Nowak, and Mario Figueiredo. Sparse Reconstruction by Separable Approximation. IEEE Transactions on Signal Processing, 2009, Vol. 52, No. 7, 2479-2493. Marcos Raydan. The Barzilai and Borwein Gradient Method for the Large Scale Unconstrained Minimization Problem. SIAM J. Optim., 1997, Vol. 7, No. 1, 26-33.

نیازمندی

مقدار	نام
-	numpy
-	scipy
-	scikit-learn

زبان مورد نیاز

مقدار	نام
>=3.5.0	Python

نحوه نصب

نصب پکیج whl brainowl-0.1.dev0:

pip install brainowl-0.1.dev0.whl

نصب پکیج tar.gz brainowl-0.1.dev0:

pip install brainowl-0.1.dev0.tar.gz