Capacité SI principale
Données et analytiqueSystème open source
Auto-sklearn
Outil AutoML construit sur scikit-learn pour automatiser sélection de modèles et tuning.
Partage repo
Partager cette fiche système
Pratique pour envoyer rapidement un repère open source exploitable, pas seulement un lien brut vers le repo.
Ressources essentielles
Rôle dans le SI
Cycle de vie principal
Construire
Position architecturale
Composant embarqué
Effet organisationnel
Accélération
Catégorie / sous-catégorie
ML classique / AutoMLPublic cible
Renforcer accélération dans un contexte data scientists, automl, tabulaire.
Quand le choisir
- Positionnement clair: AutoML.
- Interopérabilités naturelles: scikit-learn, pipelines tabulaires, évaluation.
- Niveau de maturité élevée pour des usages data scientists, automl, tabulaire.
Quand ne pas le choisir
- Complexité intermédiaire: cadrer la mise en œuvre pour éviter la dette d’exploitation.
- Nécessite une gouvernance explicite du périmètre données et analytique.
Interopérabilités naturelles
scikit-learnpipelines tabulairesévaluationnotebooks
Cas d’usage types
- Concevoir une trajectoire données et analytique sur composant embarqué.
- Accélérer le cycle construire sans rompre la gouvernance d'ensemble.
- Renforcer accélération dans un contexte data scientists, automl, tabulaire.
Maturité, complexité et exploitation
Maturité
élevée
Complexité
intermédiaire
Licence
BSD-3-Clause
Stars / activité
7.3k
activité récente sur master, date exacte non remontée proprement dans ce lot
Topologies où ce système a du sens
Décisions d’architecture associées
Systèmes proches ou complémentaires
Partage repo
Partager cette fiche système
Vous devez arbitrer au-delà de cette fiche ?
Une fiche système aide à comparer. La décision utile consiste ensuite à replacer ce choix dans votre architecture, vos contraintes d'exploitation et vos marges de réversibilité.