Best Software for 2025 is now live!
Product Avatar Image

Nilearn

Bewertungsdetails anzeigen
3 Bewertungen
  • 1 Profile
  • 1 Kategorien
Durchschnittliche Sternebewertung
4.2
Betreut Kunden seit

Profile Name

Star Rating

2
0
1
0
0

Nilearn Reviews

Review Filters
Profile Name
Star Rating
2
0
1
0
0
PA
Paresh A.
Software Engineer at Tata Consultancy Services
06/07/2018
Bestätigter Bewerter
Verifizierter aktueller Benutzer
Bewertungsquelle: G2-Einladung
Anreizbasierte Bewertung
Übersetzt mit KI

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 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.
DP
Darshit P.
Senior Software Engineer at Tata Consultancy Services
06/05/2018
Bestätigter Bewerter
Verifizierter aktueller Benutzer
Bewertungsquelle: G2-Einladung
Anreizbasierte Bewertung
Übersetzt mit KI

Maschinelles Lernen für Neurobildgebungsdaten

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.
Julie A. B.
JB
Julie A. B.
Attorney and Counsellor of the Supreme Court of the United States; Health & Elder Law Attorney
01/16/2018
Bestätigter Bewerter
Bewertungsquelle: G2-Einladung
Anreizbasierte Bewertung

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 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.

About

Contact

HQ Location:
N/A

Details