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

state-of-the-art and easy-to-use plant phenotype prediction

ویژگی	مقدار
سیستم عامل	-
نام فایل	easypheno-0.0.4
نام	easypheno
نسخه کتابخانه	0.0.4
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Florian Haselbeck, Maura John, Dominik G. Grimm
ایمیل نویسنده	-
آدرس صفحه اصلی	https://github.com/grimmlab/easyPheno
آدرس اینترنتی	https://pypi.org/project/easypheno/
مجوز	GPLv3

<div align="left"><img src="https://raw.githubusercontent.com/grimmlab/easyPheno/main/docs/image/Logo_easyPheno_Text.png" height="80"/></div> # easyPheno: A state-of-the-art and easy-to-use Python framework for plant phenotype prediction [![Python 3.8](https://img.shields.io/badge/Python-3.8-3776AB)](https://www.python.org/downloads/release/python-388/) easyPheno is a Python framework that enables the rigorous training, comparison and analysis of phenotype predictions for a variety of different models. easyPheno includes multiple state-of-the-art prediction models. Besides common genomic selection approaches, such as best linear unbiased prediction (BLUP) and models from the Bayesian alphabet, our framework includes several machine learning methods. These range from classical models, such as regularized linear regression over ensemble learners, e.g. XGBoost, to deep learning-based architectures, such as Convolutional Neural Networks (CNN). To enable automatic hyperparameter optimization, we leverage state-of-the-art and efficient Bayesian optimization techniques. In addition, our framework is designed to allow an easy and straightforward integration of further prediction models. ## Documentation For more information, installation guides, tutorials and much more, see our documentation: https://easypheno.readthedocs.io/ ## Case Study In the folder `case_study`, you can find all data that we used for the case study included as supplementary for our publication. For more information on this case study, see our publication and its supplementary given below. For general information, see our documentation given above. ## Contributors This pipeline is developed and maintained by members of the [Bioinformatics lab](https://bit.cs.tum.de) lead by [Prof. Dr. Dominik Grimm](https://bit.cs.tum.de/team/dominik-grimm/): - [Florian Haselbeck, M.Sc.](https://bit.cs.tum.de/team/florian-haselbeck/) - [Maura John, M.Sc.](https://bit.cs.tum.de/team/maura-john/) ## Citation A manuscript for publishing easyPheno as a scientific paper is currently under preparation.

نیازمندی

مقدار	نام
>=1.11.0	torch
>=1.5.2	xgboost
==2.10.0	optuna
>=1.1.0	joblib
>=1.22.2	numpy
>=1.4.1	pandas
>=2.2.9	pandas-plink
>=3.5.0	h5py
>=1.0.2	scikit-learn
>=2.8.0	tensorflow
>=3.0.3	XlsxWriter
>=0.11.2	seaborn
>=1.8.1	pyro-ppl

زبان مورد نیاز

مقدار	نام
>=3.8	Python

نحوه نصب

نصب پکیج whl easypheno-0.0.4:

pip install easypheno-0.0.4.whl

نصب پکیج tar.gz easypheno-0.0.4:

pip install easypheno-0.0.4.tar.gz