Version 0.17

Version 0.17.1

18. Februar 2016

Änderungsprotokoll

Fehlerbehebungen

• Verwendetes joblib auf Version 0.9.4 aktualisiert, was einen wichtigen Fehler in joblib.Parallel behebt, der bei der Arbeit mit Datensätzen größer als 1 MB stillschweigend zu falschen Ergebnissen führen konnte: joblib/joblib

• Behob das Lesen von Bunch-Pickles, die mit scikit-learn Version <= 0.16 generiert wurden. Dies kann Benutzer betreffen, die bereits einen Datensatz mit scikit-learn 0.16 heruntergeladen und ihn mit scikit-learn 0.17 laden. Siehe #6196, wie sich dies auf datasets.fetch_20newsgroups ausgewirkt hat. Von Loic Esteve.

• Einen Fehler behoben, der die Verwendung des ROC AUC-Scores für die Gitter-Suche auf mehreren CPUs/Kernen bei großen Arrays verhinderte. Siehe #6147 Von Olivier Grisel.

• Einen Fehler behoben, der die korrekte Einstellung des Parameters presort in ensemble.GradientBoostingRegressor verhinderte. Siehe #5857 Von Andrew McCulloh.

• Einen joblib-Fehler behoben, der bei der Auswertung der Perplexität eines decomposition.LatentDirichletAllocation-Modells auftrat. Siehe #6258 Von Chyi-Kwei Yau.

Version 0.17

5. November 2015

Änderungsprotokoll

Neue Funktionen

• Alle Scaler-Klassen außer preprocessing.RobustScaler können online durch Aufrufen von partial_fit trainiert werden. Von Giorgio Patrini.

• Die neue Klasse ensemble.VotingClassifier implementiert einen "Mehrheitsregel" / "Soft Voting"-Ensemble-Klassifikator zur Kombination von Schätzern für die Klassifikation. Von Sebastian Raschka.

• Die neue Klasse preprocessing.RobustScaler bietet eine Alternative zu preprocessing.StandardScaler für die zentrierte und bereichsnormierte Merkmalskalierung, die robust gegenüber Ausreißern ist. Von Thomas Unterthiner.

• Die neue Klasse preprocessing.MaxAbsScaler bietet eine Alternative zu preprocessing.MinMaxScaler für die zentrierte und bereichsnormierte Merkmalskalierung, wenn die Daten bereits zentriert oder dünn besetzt sind. Von Thomas Unterthiner.

• Die neue Klasse preprocessing.FunctionTransformer wandelt eine Python-Funktion in ein Pipeline-kompatibles Transformer-Objekt um. Von Joe Jevnik.

• Die neuen Klassen cross_validation.LabelKFold und cross_validation.LabelShuffleSplit generieren Trainings-/Test-Folds, die denen von cross_validation.KFold und cross_validation.ShuffleSplit ähneln, außer dass die Folds auf einem Label-Array basieren. Von Brian McFee, Jean Kossaifi und Gilles Louppe.

• decomposition.LatentDirichletAllocation implementiert das Latent Dirichlet Allocation Topic Model mit Online-Variationsinferenz. Von Chyi-Kwei Yau, mit Code basierend auf einer Implementierung von Matt Hoffman. (#3659)

• Der neue Solver sag implementiert Stochastic Average Gradient Descent und ist sowohl in linear_model.LogisticRegression als auch in linear_model.Ridge verfügbar. Dieser Solver ist sehr effizient für große Datensätze. Von Danny Sullivan und Tom Dupre la Tour. (#4738)

• Der neue Solver cd implementiert Coordinate Descent in decomposition.NMF. Der vorherige Solver basierend auf Projected Gradient ist weiterhin verfügbar, indem der neue Parameter solver auf pg gesetzt wird, ist aber veraltet und wird in 0.19 zusammen mit decomposition.ProjectedGradientNMF und den Parametern sparseness, eta, beta und nls_max_iter entfernt. Neue Parameter alpha und l1_ratio steuern die L1- und L2-Regularisierung, und shuffle fügt dem cd-Solver einen Shuffling-Schritt hinzu. Von Tom Dupre la Tour und Mathieu Blondel.

Verbesserungen

• manifold.TSNE unterstützt nun die approximative Optimierung über die Barnes-Hut-Methode, was zu einer deutlich schnelleren Anpassung führt. Von Christopher Erick Moody. (#4025)

• cluster.MeanShift unterstützt nun parallele Ausführung, wie in der Funktion mean_shift implementiert. Von Martino Sorbaro.

• naive_bayes.GaussianNB unterstützt nun das Training mit sample_weight. Von Jan Hendrik Metzen.

• dummy.DummyClassifier unterstützt nun eine Prior-Fitting-Strategie. Von Arnaud Joly.

• Eine fit_predict-Methode für mixture.GMM und Unterklassen wurde hinzugefügt. Von Cory Lorenz.

• Die Metrik metrics.label_ranking_loss wurde hinzugefügt. Von Arnaud Joly.

• Die Metrik metrics.cohen_kappa_score wurde hinzugefügt.

• Ein Konstruktorparameter warm_start wurde zu den Bagging-Ensemble-Modellen hinzugefügt, um die Größe des Ensembles zu erhöhen. Von Tim Head.

• Option zur Verwendung von Multi-Output-Regressionsmetriken ohne Mittelwertbildung hinzugefügt. Von Konstantin Shmelkov und Michael Eickenberg.

• stratify-Option zu cross_validation.train_test_split für stratifizierte Aufteilungen hinzugefügt. Von Miroslav Batchkarov.

• Die Funktion tree.export_graphviz unterstützt nun ästhetische Verbesserungen für tree.DecisionTreeClassifier und tree.DecisionTreeRegressor, einschließlich Optionen zur Färbung von Knoten nach ihrer Mehrheitsklasse oder Verunreinigung, Anzeige von Variablennamen und Verwendung von Knotenanteilen anstelle von rohen Stichprobennummern. Von Trevor Stephens.

• Geschwindigkeit des newton-cg-Solvers in linear_model.LogisticRegression verbessert, indem die Berechnung des Verlusts vermieden wird. Von Mathieu Blondel und Tom Dupre la Tour.

• Die Heuristik class_weight="auto" in Klassifikatoren, die class_weight unterstützen, wurde veraltet und durch die Option class_weight="balanced" ersetzt, die eine einfachere Formel und Interpretation hat. Von Hanna Wallach und Andreas Müller.

• Parameter class_weight hinzugefügt, um Stichproben automatisch nach Klassenverteilung für linear_model.PassiveAggressiveClassifier zu gewichten. Von Trevor Stephens.

• Backlinks von den API-Referenzseiten zum Benutzerhandbuch hinzugefügt. Von Andreas Müller.

• Der Parameter labels für sklearn.metrics.f1_score, sklearn.metrics.fbeta_score, sklearn.metrics.recall_score und sklearn.metrics.precision_score wurde erweitert. Es ist nun möglich, eine oder mehrere Labels zu ignorieren, z.B. wenn ein Multiklassenproblem eine zu ignorierende Mehrheitsklasse hat. Von Joel Nothman.

• sample_weight-Unterstützung für linear_model.RidgeClassifier hinzugefügt. Von Trevor Stephens.

• Option für dünn besetzte Ausgaben von sklearn.metrics.pairwise.cosine_similarity bereitgestellt. Von Jaidev Deshpande.

• preprocessing.minmax_scale hinzugefügt, um eine Funktionsschnittstelle für preprocessing.MinMaxScaler bereitzustellen. Von Thomas Unterthiner.

• dump_svmlight_file behandelt nun mehrfache Label-Datensätze. Von Chih-Wei Chang.

• RCV1-Datensatzlader (sklearn.datasets.fetch_rcv1). Von Tom Dupre la Tour.

• Der klassische Zwei-Klassen-Klassifikationsdatensatz "Wisconsin Breast Cancer" ist nun in scikit-learn enthalten und mit datasets.load_breast_cancer verfügbar.

• Upgrade auf joblib 0.9.3, um von der neuen automatischen Stapelverarbeitung kurzer Aufgaben zu profitieren. Dies ermöglicht es scikit-learn, von Parallelität zu profitieren, wenn viele sehr kurze Aufgaben parallel ausgeführt werden, z.B. vom Meta-Estimator grid_search.GridSearchCV mit n_jobs > 1 in Verbindung mit einem großen Raster von Parametern auf einem kleinen Datensatz. Von Vlad Niculae, Olivier Grisel und Loic Esteve.

• Weitere Details zu Änderungen in joblib 0.9.3 finden Sie in den Release Notes: joblib/joblib

• Verbesserte Geschwindigkeit (3-mal pro Iteration) von decomposition.DictLearning mit der Coordinate-Descent-Methode von linear_model.Lasso. Von Arthur Mensch.

• Parallele Verarbeitung (Threaded) für Abfragen von Nachbarn (mithilfe des Ball-Trees) von Nikolay Mayorov.

• datasets.make_multilabel_classification ermöglicht die Ausgabe eines dünn besetzten y. Von Kashif Rasul.

• cluster.DBSCAN akzeptiert nun eine dünn besetzte Matrix von voreingeberechneten Abständen, was eine speichereffiziente Abståndsvorberechnung ermöglicht. Von Joel Nothman.

• tree.DecisionTreeClassifier exponiert nun eine apply-Methode zum Abrufen der Blattindizes, denen Stichproben zugeordnet werden. Von Daniel Galvez und Gilles Louppe.

• Beschleunigung von Entscheidungsbaum-Regressoren, Random-Forest-Regressoren, Extra-Trees-Regressoren und Gradient-Boosting-Schätzern durch Berechnung eines Proxys für die Verunreinigungsverbesserung während des Baumwachstums. Die Proxy-Größe ist so beschaffen, dass die Teilung, die diesen Wert maximiert, auch die Verunreinigungsverbesserung maximiert. Von Arnaud Joly, Jacob Schreiber und Gilles Louppe.

• Beschleunigung von baumbasierten Methoden durch Reduzierung der Anzahl der Berechnungen, die bei der Berechnung des Verunreinigungsmaßes erforderlich sind, unter Berücksichtigung der linearen Beziehung der berechneten Statistiken. Der Effekt ist besonders sichtbar bei Extra Trees und auf Datensätzen mit kategorischen oder dünn besetzten Merkmalen. Von Arnaud Joly.

• ensemble.GradientBoostingRegressor und ensemble.GradientBoostingClassifier exponieren nun eine apply-Methode zum Abrufen der Blattindizes, in denen jede Stichprobe unter jedem Versuch landet. Von Jacob Schreiber.

• sample_weight-Unterstützung für linear_model.LinearRegression hinzugefügt. Von Sonny Hu. (##4881)

• Parameter n_iter_without_progress zu manifold.TSNE hinzugefügt, um das Stoppkriterium zu steuern. Von Santi Villalba. (#5186)

• Optionaler Parameter random_state in linear_model.Ridge hinzugefügt, um den Seed des Pseudo-Zufallsgenerators für den sag-Solver zu setzen. Von Tom Dupre la Tour.

• Optionaler Parameter warm_start in linear_model.LogisticRegression hinzugefügt. Wenn auf True gesetzt, werden die Solver lbfgs, newton-cg und sag mit den zuvor berechneten Koeffizienten initialisiert. Von Tom Dupre la Tour.

• sample_weight-Unterstützung für linear_model.LogisticRegression für die Solver lbfgs, newton-cg und sag hinzugefügt. Von Valentin Stolbunov. Unterstützung für den liblinear-Solver hinzugefügt. Von Manoj Kumar.

• Optionaler Parameter presort zu ensemble.GradientBoostingRegressor und ensemble.GradientBoostingClassifier hinzugefügt, wobei das Standardverhalten beibehalten wird. Dies ermöglicht Gradient-Boostern, das Vorsortieren beim Erstellen tiefer Bäume oder bei der Verwendung dünn besetzter Daten zu deaktivieren. Von Jacob Schreiber.

• metrics.roc_curve so geändert, dass unnötige Schwellenwerte standardmäßig entfernt werden. Von Graham Clenaghan.

• Meta-Transformer feature_selection.SelectFromModel hinzugefügt, der zusammen mit Schätzern, die ein Attribut coef_ oder feature_importances_ haben, verwendet werden kann, um wichtige Merkmale der Eingabedaten auszuwählen. Von Maheshakya Wijewardena, Joel Nothman und Manoj Kumar.

• metrics.pairwise.laplacian_kernel hinzugefügt. Von Clyde Fare.

• covariance.GraphLasso ermöglicht die separate Steuerung des Konvergenzkriteriums für das Elastic-Net-Teilproblem über den Parameter enet_tol.

• Verbesserte Ausführlichkeit in decomposition.DictionaryLearning.

• ensemble.RandomForestClassifier und ensemble.RandomForestRegressor speichern die bei Bagging verwendeten Stichproben nicht mehr explizit, was zu einem deutlich reduzierten Speicherbedarf für die Speicherung von Random-Forest-Modellen führt.

• Option positive zu linear_model.Lars und linear_model.lars_path hinzugefügt, um Koeffizienten positiv zu erzwingen. (#5131)

• Parameter X_norm_squared zu metrics.pairwise.euclidean_distances hinzugefügt, um voreingeberechnete quadrierte Normen für X bereitzustellen.

• Methode fit_predict zu pipeline.Pipeline hinzugefügt.

• Funktion preprocessing.minmax_scale hinzugefügt.

Fehlerbehebungen

• Nicht-Determinismus in dummy.DummyClassifier mit dünn besetzten Multi-Label-Ausgaben behoben. Von Andreas Müller.

• Ausgabeform von linear_model.RANSACRegressor auf (n_samples, ) korrigiert. Von Andreas Müller.

• Fehler in decomposition.DictLearning behoben, wenn n_jobs < 0. Von Andreas Müller.

• Fehler behoben, bei dem grid_search.RandomizedSearchCV bei großen diskreten Gittern viel Speicher verbrauchen konnte. Von Joel Nothman.

• Fehler in linear_model.LogisticRegressionCV behoben, bei dem penalty bei der endgültigen Anpassung ignoriert wurde. Von Manoj Kumar.

• Fehler in ensemble.forest.ForestClassifier behoben, wenn oob_score berechnet wurde und X eine sparse.csc_matrix ist. Von Ankur Ankan.

• Alle Regressoren behandeln und warnen nun konsistent, wenn y mit der Form (n_samples, 1) übergeben wird. Von Andreas Müller und Henry Lin. (#5431)

• Fehlerkorrektur in cluster.KMeans Cluster-Neuzuweisung für dünn besetzte Eingaben von Lars Buitinck.

• Fehler in discriminant_analysis.LinearDiscriminantAnalysis behoben, der zu asymmetrischen Kovarianzmatrizen bei Verwendung von Schrumpfung führen konnte. Von Martin Billinger.

• cross_validation.cross_val_predict für Schätzer mit dünn besetzten Vorhersagen korrigiert. Von Buddha Prakash.

• Die Methode predict_proba von linear_model.LogisticRegression korrigiert, um Soft-Max anstelle von One-vs-Rest-Normalisierung zu verwenden. Von Manoj Kumar. (#5182)

• Die Methode partial_fit von linear_model.SGDClassifier korrigiert, wenn sie mit average=True aufgerufen wird. Von Andrew Lamb. (#5282)

• Dataset-Fetcher verwenden unter Python 2 und Python 3 unterschiedliche Dateinamen, um Kompatibilitätsprobleme beim Pickling zu vermeiden. Von Olivier Grisel. (#5355)

• Behobener Fehler in naive_bayes.GaussianNB, der dazu führte, dass Klassifizierungsergebnisse vom Skalierungsfaktor abhingen. Von Jake Vanderplas.

• Temporärer Fix für linear_model.Ridge, der bei der Anpassung des Achsenabschnitts im Falle von dünnbesetzten Daten fehlerhaft war. Der Fix wechselt in diesem Fall automatisch zum Solver 'sag'. #5360 von Tom Dupre la Tour.

• Behobener Performance-Fehler in decomposition.RandomizedPCA bei Daten mit einer großen Anzahl von Merkmalen und wenigen Stichproben. (#4478) Von Andreas Müller, Loic Esteve und Giorgio Patrini.

• Behobener Fehler in cross_decomposition.PLS, der zu instabilen und plattformabhängigen Ausgaben führte und bei fit_transform fehlschlug. Von Arthur Mensch.

• Korrekturen an der Bunch-Klasse zur Speicherung von Datensätzen.

• Behobener Fehler, bei dem ensemble.plot_partial_dependence den Parameter percentiles ignorierte.

• Die Übergabe eines set als Vokabular in CountVectorizer führt nicht mehr zu inkonsistenten Ergebnissen beim Pickling.

• Behobene Bedingungen, wann eine vordefinierte Gram-Matrix neu berechnet werden muss, in linear_model.LinearRegression, linear_model.OrthogonalMatchingPursuit, linear_model.Lasso und linear_model.ElasticNet.

• Behobene inkonsistente Speicherlayout im Koordinatenabstieg-Solver, die linear_model.DictionaryLearning und covariance.GraphLasso betraf. (#5337) Von Olivier Grisel.

• manifold.LocallyLinearEmbedding ignoriert nicht mehr den Parameter reg.

• Nachbar-Schätzer mit benutzerdefinierten Distanzmetriken können jetzt gepickelt werden. (#4362)

• Behobener Fehler in pipeline.FeatureUnion, bei dem transformer_weights bei Grid-Suchen nicht korrekt behandelt wurden.

• Behobener Fehler in linear_model.LogisticRegression und linear_model.LogisticRegressionCV bei Verwendung von class_weight='balanced' oder class_weight='auto'. Von Tom Dupre la Tour.

• Fehler behoben #5495 bei Verwendung von OVR(SVC(decision_function_shape="ovr")). Behoben von Elvis Dohmatob.

Zusammenfassung der API-Änderungen

• Die Attribute data_min, data_max und data_range in preprocessing.MinMaxScaler sind veraltet und ab Version 0.19 nicht mehr verfügbar. Stattdessen stellt die Klasse nun data_min_, data_max_ und data_range_ zur Verfügung. Von Giorgio Patrini.

• Alle Scaler-Klassen haben nun ein Attribut scale_, die feature-bezogene Skalierung, die von ihren transform-Methoden angewendet wird. Das alte Attribut std_ in preprocessing.StandardScaler ist veraltet und wird durch scale_ ersetzt; es wird ab Version 0.19 nicht mehr verfügbar sein. Von Giorgio Patrini.

• svm.SVC und svm.NuSVC haben nun einen Parameter decision_function_shape, um ihre Entscheidungfunktion mit der Form (n_samples, n_classes) durch Setzen von decision_function_shape='ovr' zu erzeugen. Dies wird das Standardverhalten ab Version 0.19 sein. Von Andreas Müller.

• Die Übergabe von 1D-Datenarrays als Eingabe an Schätzer ist nun veraltet, da dies zu Verwirrung darüber führte, wie die Array-Elemente als Merkmale oder Stichproben interpretiert werden sollten. Alle Datenarrays werden nun explizit mit der Form (n_samples, n_features) erwartet. Von Vighnesh Birodkar.

• lda.LDA und qda.QDA wurden nach discriminant_analysis.LinearDiscriminantAnalysis und discriminant_analysis.QuadraticDiscriminantAnalysis verschoben worden.

• Die Parameter store_covariance und tol wurden in der fit-Methode in den Konstruktor verschoben bei discriminant_analysis.LinearDiscriminantAnalysis und die Parameter store_covariances und tol wurden in der fit-Methode in den Konstruktor verschoben bei discriminant_analysis.QuadraticDiscriminantAnalysis.

• Modelle, die von _LearntSelectorMixin erben, unterstützen die transform-Methoden nicht mehr. (d.h. RandomForests, GradientBoosting, LogisticRegression, DecisionTrees, SVMs und SGD-bezogene Modelle). Wickeln Sie diese Modelle um den Meta-Transformer feature_selection.SelectFromModel, um Merkmale (gemäß coefs_ oder feature_importances_) zu entfernen, die unter einem bestimmten Schwellenwert liegen.

• cluster.KMeans führt Cluster-Zuweisungen bei Nichtkonvergenz erneut aus, um die Konsistenz von predict(X) und labels_ zu gewährleisten. Von Vighnesh Birodkar.

• Klassifizierer- und Regressor-Modelle werden nun mit dem Attribut _estimator_type entsprechend markiert.

• Cross-Validation-Iteratoren liefern immer Indizes für Trainings- und Testsets, keine Booleschen Masken.

• Die Methode decision_function für alle Regressoren ist veraltet und wird in Version 0.19 entfernt. Verwenden Sie stattdessen predict.

• datasets.load_lfw_pairs ist veraltet und wird in Version 0.19 entfernt. Verwenden Sie stattdessen datasets.fetch_lfw_pairs.

• Das veraltete Modul hmm wurde entfernt.

• Der veraltete Cross-Validation-Iterator Bootstrap wurde entfernt.

• Die veralteten Klassen Ward und WardAgglomerative wurden entfernt. Verwenden Sie stattdessen cluster.AgglomerativeClustering.

• cross_validation.check_cv ist nun eine öffentliche Funktion.

• Die Eigenschaft residues_ von linear_model.LinearRegression ist veraltet und wird in Version 0.19 entfernt.

• Der veraltete Parameter n_jobs von linear_model.LinearRegression wurde in den Konstruktor verschoben.

• Der veraltete Parameter class_weight der fit-Methode von linear_model.SGDClassifier wurde entfernt. Verwenden Sie stattdessen den Konstruktor-Parameter.

• Die veraltete Unterstützung für das multilabel-Format Sequenz von Sequenzen (oder Liste von Listen) wurde entfernt. Um zum unterstützten binären Indikatormatrixformat zu konvertieren und daraus, verwenden Sie MultiLabelBinarizer.

• Das Verhalten beim Aufruf der Methode inverse_transform von Pipeline.pipeline wird sich in Version 0.19 ändern. Sie wird keine eindimensionale Eingabe mehr in eine zweidimensionale Eingabe umformen.

• Die veralteten Attribute indicator_matrix_, multilabel_ und classes_ von preprocessing.LabelBinarizer wurden entfernt.

• Die Verwendung von gamma=0 in svm.SVC und svm.SVR, um gamma automatisch auf 1. / n_features zu setzen, ist veraltet und wird in Version 0.19 entfernt. Verwenden Sie stattdessen gamma="auto".

Code-Mitarbeiter

Aaron Schumacher, Adithya Ganesh, akitty, Alexandre Gramfort, Alexey Grigorev, Ali Baharev, Allen Riddell, Ando Saabas, Andreas Mueller, Andrew Lamb, Anish Shah, Ankur Ankan, Anthony Erlinger, Ari Rouvinen, Arnaud Joly, Arnaud Rachez, Arthur Mensch, banilo, Barmaley.exe, benjaminirving, Boyuan Deng, Brett Naul, Brian McFee, Buddha Prakash, Chi Zhang, Chih-Wei Chang, Christof Angermueller, Christoph Gohlke, Christophe Bourguignat, Christopher Erick Moody, Chyi-Kwei Yau, Cindy Sridharan, CJ Carey, Clyde-fare, Cory Lorenz, Dan Blanchard, Daniel Galvez, Daniel Kronovet, Danny Sullivan, Data1010, David, David D Lowe, David Dotson, djipey, Dmitry Spikhalskiy, Donne Martin, Dougal J. Sutherland, Dougal Sutherland, edson duarte, Eduardo Caro, Eric Larson, Eric Martin, Erich Schubert, Fernando Carrillo, Frank C. Eckert, Frank Zalkow, Gael Varoquaux, Ganiev Ibraim, Gilles Louppe, Giorgio Patrini, giorgiop, Graham Clenaghan, Gryllos Prokopis, gwulfs, Henry Lin, Hsuan-Tien Lin, Immanuel Bayer, Ishank Gulati, Jack Martin, Jacob Schreiber, Jaidev Deshpande, Jake Vanderplas, Jan Hendrik Metzen, Jean Kossaifi, Jeffrey04, Jeremy, jfraj, Jiali Mei, Joe Jevnik, Joel Nothman, John Kirkham, John Wittenauer, Joseph, Joshua Loyal, Jungkook Park, KamalakerDadi, Kashif Rasul, Keith Goodman, Kian Ho, Konstantin Shmelkov, Kyler Brown, Lars Buitinck, Lilian Besson, Loic Esteve, Louis Tiao, maheshakya, Maheshakya Wijewardena, Manoj Kumar, MarkTab marktab.net, Martin Ku, Martin Spacek, MartinBpr, martinosorb, MaryanMorel, Masafumi Oyamada, Mathieu Blondel, Matt Krump, Matti Lyra, Maxim Kolganov, mbillinger, mhg, Michael Heilman, Michael Patterson, Miroslav Batchkarov, Nelle Varoquaux, Nicolas, Nikolay Mayorov, Olivier Grisel, Omer Katz, Óscar Nájera, Pauli Virtanen, Peter Fischer, Peter Prettenhofer, Phil Roth, pianomania, Preston Parry, Raghav RV, Rob Zinkov, Robert Layton, Rohan Ramanath, Saket Choudhary, Sam Zhang, santi, saurabh.bansod, scls19fr, Sebastian Raschka, Sebastian Saeger, Shivan Sornarajah, SimonPL, sinhrks, Skipper Seabold, Sonny Hu, sseg, Stephen Hoover, Steven De Gryze, Steven Seguin, Theodore Vasiloudis, Thomas Unterthiner, Tiago Freitas Pereira, Tian Wang, Tim Head, Timothy Hopper, tokoroten, Tom Dupré la Tour, Trevor Stephens, Valentin Stolbunov, Vighnesh Birodkar, Vinayak Mehta, Vincent, Vincent Michel, vstolbunov, wangz10, Wei Xue, Yucheng Low, Yury Zhauniarovich, Zac Stewart, zhai_pro, Zichen Wang