یادگیری ماشین علمی

به‌کارگیری روش‌های یادگیری ماشین برای مسائل و داده‌های علمی که در آن‌ها ساختار حوزه، محدودیت‌های علمی یا تفسیرپذیری اهمیت دارد.

پروژه‌ها می‌توانند مهندسی ویژگی، توسعه مدل، اعتبارسنجی، تحلیل عدم قطعیت، تفسیرپذیری و اتصال به مدل‌های محاسباتی را شامل شوند.

کاربردها حوزه‌هایی مانند زیست‌شناسی، شیمی، علوم محیطی، علوم اعصاب، مهندسی و سایر حوزه‌های پژوهش محاسباتی را دربرمی‌گیرند.

روش پیاده‌سازی بر اساس داده‌های موجود، محدودیت‌های فنی، میزان اتوماسیون مورد نیاز و زیرساخت نرم‌افزاری یا پژوهشی پروژه انتخاب می‌شود. راهکار می‌تواند به‌صورت یک جزء مستقل یا درون یک سامانه بزرگ‌تر پیاده‌سازی شود.

هدف، ایجاد یک جریان محاسباتی روشن و قابل ارزیابی است که بتوان آن را در ادامه نگهداری، توسعه و با نیازهای جدید پروژه تطبیق داد. بنابراین انتخاب مدل، پردازش داده، رابط‌ها و روش استقرار بر اساس مسئله واقعی پروژه تعیین می‌شود.