技術包括用于圖像數據的 StyleGans 和用于表格數據的 GaN。 為深度學習模型生成合成數據。

高度分布式和多線程。 返回未標記數據表和標記數據表的預測標簽。

學習不同的貝葉斯網絡結構，包括樸素、樹型樸素 (TAN)、貝葉斯網絡增強樸素 (BAN)、因果貝葉斯網絡和馬爾可夫毯。 通過獨立性測試執行有效的變量選擇

支持基于用戶 ID 和項目評級的稀疏矩陣的推薦系統開發。 能夠應用完整的成對交互張量分解。 包含其他分類和數字輸入功能，可實現更準確的模型

為二值型目標標簽建模。 支持線性和多項式內核進行模型訓練。 能夠包含連續和分類的輸入/輸出功能。

自動智能調整參數集以識別最佳模型。 支持計數數據建模。 大多數神經網絡參數的智能默認值。 能夠自定義神經網絡架構和權重。

包括擬合 Q 網絡 (FQN) 和深度 Q 網絡 (DQN) 在內的技術。 FQN 可以在預先收集的數據點上訓練模型，而無需與環境進行通信