Notice bibliographique
Résumé
First stable version of pyFAI: v2023.1. Sources and binary wheels can be found at: https://pypi.org/project/pyFAI/ and at: https://github.com/silx-kit/pyFAI/releases/tag/v2023.1 One of a few ways to install this release with pip: pip install pyFAI==2023.1.0 Release notes and important changes since 0.21: Developer and packager tools: Switch build system from numpy.distutils to meson-python Keep the former setup.py for compatibility reasons: it will be removed in a future release Drop Python 3.6 (default parameters in namedtuple feature used) Require silx 1.1 (for OpenCL), scipy and matplotlib GUI side: several minor improvements in pyFAI-calib2 Fixed calibration in jupyter-lab Core improvements: Refactoring of the Geometry class Geometry pseudo-inversion optimization Improved support from Medipix-based Lambda-detectors New detectors from Dectris (Pilatus 900k and Eiger 250k) Support Nexus format in output: NXmonpd and NXcansas Single-threaded CSC sparse matrix multiplication engine Improved uncertainty propagation: Refactor error model management (uses enum) Hybrid error model (azimuthal for sigma-clipping but reports Poissonian noise) Export peakfinder data to the CXI format (used by CrystFEL) Improvement in the doc: Update installation instructions Multi-threaded integration tutorial GPU implementation tutorial Facts and figures: 400+ commits, 100 PR +with the contribution of: Clemens Prescher, Elena Pascal, Jérôme Kieffer, Malte Storm, Marco Cammarata, Michael Hudson-Doyle, Picca Frédéric-Emmanuel, Rodrigo Telles, Thomas A Caswell, Tommaso Vinci, Valentin Valls, Wout de Nolf.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,004 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,006 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,363 | 0,522 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».