#automl Repositories
Entdecke 64 aktive Open-Source-GitHub-Repositories, die mit #automl getaggt sind und insgesamt 195,817 Sterne gesammelt haben (durchschnittlich 3,059 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist lukasmasuch/best-of-ml-python mit 23,877 Sternen.
Insgesamt 64 Repositories
Eine Rangliste von großartigen Machine-Learning-Python-Bibliotheken. Wöchentlich aktualisiert.
Ein Python-basiertes Automated-Machine-Learning-Tool, das Machine-Learning-Pipelines mit genetischer Programmierung optimiert.
Open-Source, Low-Code-AutoML-Plattform für Python. PyCaret 4.0: sklearn-nativer Engine + React-Steuerungsebene.
H2O ist eine Open-Source-, verteilte, schnelle und skalierbare Machine-Learning-Plattform: Deep Learning, Gradient Boosting (GBM) & XGBoost, Random Forest, Generalized Linear Modeling (GLM mit Elastic Net), K-Means, PCA, Generalized Additive Models (GAM), RuleFit, Support Vector Machine (SVM), Stacked Ensembles, Automatic Machine Learning (AutoML) usw.
cube studio Open-Source Cloud-Native One-Stop Machine Learning/Deep Learning/Large Model AI Platform, MLOps Algorithmus-Link Ganzprozess, Rechenleistung-Leihplattform, Notebook Online-Entwicklung, Drag-and-Drop-Aufgabenfluss-Pipeline-Orchestrierung, Multi-Machine-Multi-GPU-verteiltes Training, Hyperparameter-Suche, Inferenzdienst VGPU-Virtualisierung, Edge Computing, Annotationsplattform-Automatisierte-Annotation, Large Model SFT Fine-Tuning/Reward Model/Reinforcement Learning Training von Deepseek usw., Multi-Machine-Inferenz von Large Models wie vLLM/Ollama/MindSpore, Private Knowledge Base, AI Model Marketplace, Unterstützung für heimische CPU/GPU/NPU Ascend-Ökosystem, Unterstützung für RDMA, Unterstützung für verteilte Frameworks wie PyTorch/TF/MXNet/DeepSpeed/Paddle/ColossalAI/Horovod/Ray/Volcano
Eine schnelle Bibliothek für AutoML und Tuning. Treten Sie unserem Discord bei: https://discord.gg/Cppx2vSPVP.
Eine kuratierte Liste von Papieren, Artikeln, Tutorials, Folien und Projekten zum automatisierten maschinellen Lernen
Python-AutoML-Toolkit zum Benchmarking von Klassifikations-, Regressions- und Zeitreihenprognosemodellen mit GPU-Beschleunigung, MLflow-Tracking und automatisierter Vorverarbeitung.
Python-Paket für AutoML auf tabellarischen Daten mit Feature Engineering, Hyperparameter-Tuning, Erklärungen und automatischer Dokumentation
ein hervorragendes Machine-Learning-Tool, mit dem Sie Modelle trainieren, testen und verwenden können, ohne Code zu schreiben
CubeStudio ist eine Open-Source-Cloud-native All-in-One-Plattform für maschinelles Lernen/Deep Learning/Großmodell-KI/MaaS/MLOps/KI-Plattform/Trainings- und Inferenzplattform, die den gesamten Algorithmus-Pipeline, Multi-Tenancy, Rechenleistungsvermietungsplattform, Token-Relay, Drag-and-Drop-Aufgabenfluss-Pipeline-Orchestrierung, Multi-Maschine-Multi-Karte verteiltes Training, Hyperparametersuche, Inferenzdienste, VGPU-Virtualisierung, Cloud-Edge-Gerät-Kooperation, Edge Computing, automatisierte Annotationsplattform, SFT-Feintuning/Belohnungsmodell/Verstärkungslernen-Training für große Modelle wie DeepSeek, Multi-Maschine-Inferenz für große Modelle mit vLLM/Ollama/MindIE, private Wissensdatenbank-LLMOps-Agenten, KI-Modellmarkt, Unterstützung für nationale heterogene Rechenleistungsplanung (Ascend, Cambricon, Hygon, Moore Threads, Muxi usw.), Unterstützung für IB/RoCE/RDMA und Xinchuang-Unterstützung umfasst.
Ein Low-Code-Machine-Learning-Service für personalisierte Rankings für Artikel, Angebote, Suchergebnisse und Empfehlungen, der die Benutzerbindung stärkt. Eine benutzerfreundliche Learn-to-Rank-Engine
Offenes Chanlun-Python-Implementierungsframework, unterstützt morphologische/dynamische Kauf-/Verkaufspunktsanalyseberechnungen, mehrstufige K-Linien-Kombination, Intervall-Strategie, visuelle Darstellung, verschiedene Datenzugänge, Strategieentwicklung, Anbindung an Handelssysteme;
TransmogrifAI (ausgesprochen trăns-mŏgˈrə-fī) ist eine AutoML-Bibliothek zum Erstellen modularer, wiederverwendbarer und stark typisierter Machine-Learning-Workflows auf Apache Spark mit minimalem manuellem Anpassungsaufwand.
Java- und Kotlin-Codebeispiele auf cloud.google.com verwendet
Visualisieren Sie automatisch jedes Dataset jeder Größe mit einer einzigen Codezeile. Erstellt von Ram Seshadri. Mitarbeiter willkommen. Genehmigung wird auf Anfrage erteilt.
WARNUNG: Das Katib-Projekt ist VERALTET. Nutzer sollten zu OptimizationJob und Kubeflow Trainer migrieren.
Schnelles und anpassbares Framework für die automatische Erstellung von ML-Modellen (AutoML)
ModelFox erleichtert das Trainieren, Bereitstellen und Überwachen von Machine-Learning-Modellen.
[ICLR 2019] ProxylessNAS: Direkte neuronale Architektursuche für Zielaufgabe und Hardware
Erstellen, trainieren, optimieren und betreiben Sie Computer-Vision-Modelle lokal – von Rohbildern bis zur Live-Inferenz. Open Source und für Intel® XPU optimiert (CUDA wird ebenfalls unterstützt).
[pip install medmnist] 18 standardisierte Datensätze für die 2D- und 3D-Klassifizierung biomedizinischer Bilder
SMAC3: Ein vielseitiges Paket für bayessche Optimierung bei der Hyperparameter-Optimierung
Schnelles & Einfaches Lernen von Deep-Network-Strukturen unter Ressourcenbeschränkung
Zusammenstellung einer Liste mit AutoML-bezogenen Forschungen, Tools, Projekten und anderen Ressourcen
Luminaire ist ein Python-Paket, das ML-gesteuerte Lösungen zur Überwachung von Zeitreihendaten bietet.
Notebooks, Codebeispiele, Beispiel-Apps und andere Ressourcen, die die Verwendung, Entwicklung und Verwaltung von Machine-Learning- und generativen KI-Workflows mit Google Cloud Vertex AI demonstrieren.
Erstellen Sie automatisch ARIMA-, SARIMAX-, VAR-, FB Prophet- und XGBoost-Modelle für Zeitreihendatensätze mit einer einzigen Codezeile. Erstellt von Ram Seshadri. Mitarbeiter willkommen.
Häufig gestellte Fragen
Welches ist das beliebteste #automl-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#automl-Projekt auf GitHub ist lukasmasuch/best-of-ml-python mit 23,877 Sternen. Eine Rangliste von großartigen Machine-Learning-Python-Bibliotheken. Wöchentlich aktualisiert.
Welche Programmiersprachen werden in #automl-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #automl-Projekten auf GitHub sind Python, Jupyter Notebook, Scala, Java die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #automl-Repositories berechnet?
Wir verfolgen 64 aktive Open-Source-Repositories, die mit #automl getaggt sind (500+ Sterne), mit insgesamt 195,817 Sternen und durchschnittlich 3,059 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.