Von Nilearn

Nicht beansprucht

Nilearn

Top-bewertete Nilearn Alternativen

Clarifai

(59)

4.3 von 5

Website besuchen

Gesponsert

Alle Nilearn Alternativen anzeigen

Nilearn Bewertungen & Produktdetails

Administrator

GL

Verifizierter Benutzer in Law Practice

Kleinunternehmen(50 oder weniger Mitarbeiter)

Bestätigter Bewerter

Bewertungsquelle: G2-Einladung

Anreizbasierte Bewertung

16. Jan, 2018

"Machine Learning for Neuro-Imaging"

Was gefällt dir am besten Nilearn?

Nilearn makes it easy to use many advanced machine learning, pattern recognition and multivariate statistical techniques on neuroimaging data for applications such as MVPA (Mutli-Voxel Pattern Analysis), decoding, predictive modelling, functional connectivity, brain parcellations, connectomes.

Nilearn can readily be used on task fMRI, resting-state, or VBM data.

For a machine-learning expert, the value of nilearn can be seen as domain-specific feature engineering construction, that is, shaping neuroimaging data into a feature matrix well suited to statistical learning, or vice versa. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? Nilearn?

There is no paper published yet about nilearn that reviewer knows of. Bewertung gesammelt von und auf G2.com gehostet.

Empfehlungen an andere, die in Betracht ziehen Nilearn:

Tutorial offers Introductory examples that teach how to use nilearn; also introductory nilearn in a nutshell is brief yet thorough. Bewertung gesammelt von und auf G2.com gehostet.

Was ist ein Problem? Nilearn Solving und wie profitieren Sie davon?

Decoding and predicting from brain images. Bewertung gesammelt von und auf G2.com gehostet.

Weniger anzeigen

Hilfreich?

Link zur Administratorfreigabe

Nilearn Übersicht

bearbeiten

Was ist Nilearn?

Nilearn ist ein Python-Modul für schnelles und einfaches statistisches Lernen an Neuroimaging-Daten, das das scikit-learn Python-Toolbox für multivariate Statistik mit Anwendungen wie prädiktive Modellierung, Klassifikation, Decodierung oder Konnektivitätsanalyse nutzt.

Nilearn Details

Diskussionen

Nilearn Community

Weniger anzeigenMehr anzeigen

Produktbeschreibung

Nilearn ist ein Python-Modul für schnelles und einfaches statistisches Lernen an Neuroimaging-Daten, das das scikit-learn Python-Toolbox für multivariate Statistik mit Anwendungen wie prädiktive Modellierung, Klassifikation, Decodierung oder Konnektivitätsanalyse nutzt.

Verkäuferdetails

Verkäufer

Nilearn

Hauptsitz

N/A

Aktuelle Nilearn Bewertungen

7.6.2018

PA

Paresh A.Unternehmen (> 1000 Mitarbeiter)

5.0 von 5

"Am besten für die Anwendung von ML auf Neuroimaging-Daten."

Nilearn ist die speziell für die Verarbeitung von Neuroimaging-Daten entwickelte Machine-Learning-Bibliothek. Sie verfügt über umfangreiche trainie...

Mehr erfahren

5.6.2018

DP

Darshit P.Unternehmen (> 1000 Mitarbeiter)

5.0 von 5

"Maschinelles Lernen für Neurobildgebungsdaten"

Nilearn ist die Bibliothek für Python, die für die Verarbeitung von Neurobildern verwendet wird. Sie erleichtert uns die Nutzung vieler fortschritt...

Mehr erfahren

16.1.2018

G

Verifizierter BenutzerKleinunternehmen (50 oder weniger Mitarbeiter)

2.5 von 5

"Machine Learning for Neuro-Imaging"

Nilearn makes it easy to use many advanced machine learning, pattern recognition and multivariate statistical techniques on neuroimaging data for a...

Mehr erfahren

Dieser Verkäufer hat seine Sicherheitsinformationen noch nicht hinzugefügt. Lassen Sie ihn wissen, dass Sie möchten, dass er sie hinzufügt.

0 Personen haben Sicherheitsinformationen angefordert

Nilearn Medien

G2-Bewertungen sind authentisch und verifiziert.

Hier die Erklärung wie dies gewährleistet ist.

PA

Paresh A.

Software Engineer

Information Technology and Services

Unternehmen(> 1000 Mitarbeiter)

Bestätigter Bewerter

Verifizierter aktueller Benutzer

Bewertungsquelle: G2-Einladung

Anreizbasierte Bewertung

Übersetzt mit KI

7. Jun, 2018

"Am besten für die Anwendung von ML auf Neuroimaging-Daten."

Was gefällt dir am besten Nilearn?

Nilearn ist die speziell für die Verarbeitung von Neuroimaging-Daten entwickelte Machine-Learning-Bibliothek. Sie verfügt über umfangreiche trainierte Modelle auf den aus verschiedenen MRT-Geräten und anderen Neuroimaging-Geräten gesammelten Neuroimaging-Daten. Sie kann verwendet werden, um überwachte Lernverfahren auf Neuroimaging-Daten anzuwenden, ebenso kann sie verwendet werden, um die Behandlung in Übereinstimmung mit den Eingabedaten zur Vorhersage der Behandlung vorzuschlagen. Sie kann auch für Decoding und MVPA verwendet werden. Daher ist sie die beste Bibliothek für die Anwendung von Machine Learning auf Neuroimaging-Daten und die Vorhersage korrekter Ergebnisse. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? Nilearn?

Ich habe nichts an Nilearn auszusetzen, da es die besten Ergebnisse für meine Anwendung geliefert hat. Bewertung gesammelt von und auf G2.com gehostet.

Empfehlungen an andere, die in Betracht ziehen Nilearn:

Ich empfehle die Verwendung von Nilearn, da es Ihnen hilft, die besten Ergebnisse bei Neuroimaging-Daten vorherzusagen und besser funktioniert als alle anderen APIs. Wenn Sie mit Neuroimaging-Daten arbeiten oder Forschung zur Anwendung von ML auf Neuroimaging-Daten betreiben, sollten Sie Nilearn verwenden. Auch wenn Sie Software für den Gesundheitssektor entwickeln, die sich mit Neurowissenschaften befasst, sollten Sie Nilearn verwenden. Kurz gesagt, wenn Sie mit Neuroimaging-Daten arbeiten, empfehle ich Ihnen die Verwendung von Nilearn. Bewertung gesammelt von und auf G2.com gehostet.

Was ist ein Problem? Nilearn Solving und wie profitieren Sie davon?

Ich bin ein Softwareentwickler und arbeite mit verschiedenen Sektoren zusammen und entwickle Software für sie, also bekomme ich auch Projekte aus dem Gesundheitssektor und dafür muss ich Software für einen Neurologen entwickeln, um die Behandlung in Übereinstimmung mit den Bildgebungsergebnissen vorherzusagen, und zu dieser Zeit habe ich Nilearn für das Projekt verwendet. Ich habe es auch einmal für die Entwicklung von Software für ein MRI-Entwicklungsunternehmen verwendet, um es mit ihrer Maschine zu integrieren. Also hat Nilearn uns sehr geholfen. Bewertung gesammelt von und auf G2.com gehostet.

Weniger anzeigen

Hilfreich?

Link zur Administratorfreigabe

DP

Darshit P.

Senior Software Engineer

Information Technology and Services

Unternehmen(> 1000 Mitarbeiter)

Bestätigter Bewerter

Verifizierter aktueller Benutzer

Bewertungsquelle: G2-Einladung

Anreizbasierte Bewertung

Übersetzt mit KI

5. Jun, 2018

"Maschinelles Lernen für Neurobildgebungsdaten"

Was gefällt dir am besten Nilearn?

Nilearn ist die Bibliothek für Python, die für die Verarbeitung von Neurobildern verwendet wird. Sie erleichtert uns die Nutzung vieler fortschrittlicher Techniken des maschinellen Lernens, der Mustererkennung und multivariater statistischer Techniken auf Neurobilddaten. Sie kann problemlos auf fMRT-Daten, Ruhedaten und VB-Daten angewendet werden, daher ist sie die beste API für Neurobilder. Sie wird im Gesundheitssektor zur Vorhersage klinischer Scores oder des Ansprechens auf Behandlungen mit überwachten Lernalgorithmen eingesetzt. Sie kann auch für viele andere Funktionalitäten für Neurobilddaten verwendet werden. Es ist die beste Bibliothek für die Vorhersage und Durchführung von überwachten Lernverfahren auf Neurobilddaten. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? Nilearn?

Ich habe nichts an Nilearn auszusetzen, weil es die beste Bibliothek ist, die im Gesundheitssektor zur Vorhersage verschiedener Reaktionen verwendet wird. Bewertung gesammelt von und auf G2.com gehostet.

Empfehlungen an andere, die in Betracht ziehen Nilearn:

Ich empfehle die Verwendung von Nilearn für die Anwendung von überwachten Lernalgorithmen auf die Neuroimaging-Ergebnisse, die von verschiedenen Bildgebungsgeräten produziert werden. Wenn Sie eine Software für den Gesundheitssektor entwickeln, benötigen Sie definitiv einen maschinellen Lernalgorithmus, um die Behandlungsreaktion für den Arzt vorherzusagen. Es ist also sehr nützlich für uns, daher empfehle ich die Verwendung von Nilearn zur Implementierung von maschinellem Lernen für Neuroimaging-Daten und zur entsprechenden Vorhersage von Ergebnissen. Bewertung gesammelt von und auf G2.com gehostet.

Was ist ein Problem? Nilearn Solving und wie profitieren Sie davon?

Ich bin ein Software-Designer und ab und zu bekommen wir auch einige Projekte aus dem Gesundheitssektor. Kürzlich arbeiteten wir mit einem Bildgebungszentrum zusammen, und sie benötigten ein Softwareprodukt zur Vorhersage verschiedener Reaktionen basierend auf der Bildgebung der Maschine in Echtzeit. Also entschieden wir uns, Nilearn für die Implementierung der Vorhersage von Neurobildern mittels überwachtem Lernen zu verwenden. So half uns Nilearn, eine Software für dieses Bildgebungszentrum zu entwickeln. Ich habe auch verschiedene Software für Ärzte entwickelt, die es zur Vorhersage von Behandlungsreaktionen basierend auf den Bildgebungsergebnissen von MRT oder CT-Scan verwendeten. Also wurde Nilearn viele Male von mir verwendet. Bewertung gesammelt von und auf G2.com gehostet.

Weniger anzeigen

Hilfreich?