#data-quality Repositories
Entdecke 41 aktive Open-Source-GitHub-Repositories, die mit #data-quality getaggt sind und insgesamt 205,347 Sterne gesammelt haben (durchschnittlich 5,008 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist GokuMohandas/Made-With-ML mit 50,112 Sternen.
Insgesamt 41 Repositories
Lernen Sie, wie man produktionsreife ML-Anwendungen entwickelt, bereitstellt und iteriert.
📚 Artikel & Tech-Blogs von Unternehmen, die ihre Arbeit zu Data Science & Machine Learning in der Produktion teilen.
Als Open-Context-Layer für Daten und KI ist OpenMetadata die offene Plattform zum Aufbau von vertrauenswürdigem Datenkontext und Geschäftssemantik für Menschen, KI-Assistenten und Agenten.
1 Zeile Code für Datenqualitäts-Profiling & explorative Datenanalyse für Pandas- und Spark-DataFrames.
Cleanlab's Open-Source-Bibliothek ist das Standard-Data-Centric-AI-Paket für Datenqualität und maschinelles Lernen mit unordentlichen, realen Daten und Labels.
Evidently ist ein Open-Source-Framework für ML- und LLM-Observability. Bewerten, testen und überwachen Sie jedes KI-gestützte System oder jede Datenpipeline. Von tabellarischen Daten bis zu Gen AI. Über 100 Metriken.
Erfahren Sie, wie Sie produktionsreife ML-Anwendungen entwerfen, entwickeln, bereitstellen und iterieren.
Eine Open-Source-Datenprotokollierungsbibliothek für maschinelle Lernmodelle und Datenpipelines. 📚 Bietet Einblicke in Datenqualität und Modellleistung im Laufe der Zeit. 🛡️ Unterstützt datenschutzfreundliche Datenerfassung, um Sicherheit und Robustheit zu gewährleisten. 📈
Der virtuelle Feature Store. Verwandeln Sie Ihre bestehende Dateninfrastruktur in einen Feature Store.
Feathr – Eine skalierbare, einheitliche Daten- und KI-Engineering-Plattform für Unternehmen
re_data - beheben Sie Datenprobleme, bevor Ihre Benutzer & Ihr CEO sie entdecken 😊
Open-Source-ETL/ELT, das Sie auf Ihren eigenen Servern oder in der Cloud bereitstellen. Auf DuckDB aufgebaut: visuelle No-Code-/Low-Code-Pipelines oder SQL, 446 Komponenten, dbt, CDC, Datenqualität, Reverse ETL, Datenherkunft und MCP für KI-Agenten. Keine Anbieter-Cloud, keine Abrechnung pro Zeile.
Die erste Open-Source-Plattform für Datenentdeckung und Observability. Wir erleichtern den Data Practitioners das Leben, damit Sie sich auf Ihr Geschäft konzentrieren können.
Finden Sie automatisch Probleme in Bilddatensätzen und üben Sie datenzentrische Computer Vision.
Eine kuratierte, aber unvollständige Liste datenzentrierter KI-Ressourcen.
Open-Source-Tests für Datenverträge für Snowflake, Databricks, BigQuery, Kafka und 15 weitere Plattformen. Basiert auf dem Open Data Contract Standard (ODCS). MIT-Lizenz.
Erstellen Sie in SQL Server ein Data Warehouse aus zwei Quellsystemen, einem CRM und einem ERP, über die Bronze-, Silber- und Goldschicht. Dateien und Skripte des kostenlosen vollständigen Projekts.
📙 Fantastische Datenkataloge und Beobachtbarkeitsplattformen.
Datenqualitätsbewertung und Metadatenberichterstattung für Dataframes und Datenbanktabellen
Eine wiederverwendbare Analysekompetenz mit 15 Fällen auf Grundlage öffentlicher Daten. Definieren Sie die Entscheidung und die verfügbaren Ressourcen, testen Sie konkurrierende Methoden anhand derselben Evidenz und erstellen Sie einen Bericht, der jede Erkenntnis mit ihren Daten und ihrer Berechnung verknüpft.
Datenmanagement-Framework für Python, das Funktionalität zur Beschreibung, Extraktion, Validierung und Transformation von tabellarischen Daten bietet
Dingo: Ein umfassendes Tool zur Bewertung der Qualität von KI-Daten, -Modellen und -Anwendungen
Kennen Sie Ihre Daten besser! Datavines ist die Next-gen Data Observability Platform, die Metadatenverwaltung und Datenqualität unterstützt.
Qualitis ist eine One-Stop-Plattform für die Datenqualitätsverwaltung, die Qualitätsüberprüfung, Benachrichtigung und Verwaltung für verschiedene Datenquellen unterstützt. Sie wird verwendet, um verschiedene Datenqualitätsprobleme zu lösen, die durch die Datenverarbeitung verursacht werden. https://github.com/WeBankFinTech/Qualitis
Zusammenstellung von aufsehenerregenden realen Beispielen für gescheiterte Machine-Learning-Projekte
ML-System in Produktionsqualität zur automatisierten Erkennung von Einheitenmessfehlern | 88-92% Genauigkeit | 94% Autonomie | KNIME Workflow
Engine für KI/ML/Daten-Tracking, Visualisierung, Erklärbarkeit, Drift-Erkennung und Dashboards für Polyaxon.
Toolkit zur Datenvalidierung und zur Bewertung und Überwachung der Datenqualität.
Häufig gestellte Fragen
Welches ist das beliebteste #data-quality-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#data-quality-Projekt auf GitHub ist GokuMohandas/Made-With-ML mit 50,112 Sternen. Lernen Sie, wie man produktionsreife ML-Anwendungen entwickelt, bereitstellt und iteriert.
Welche Programmiersprachen werden in #data-quality-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #data-quality-Projekten auf GitHub sind Python, Jupyter Notebook, Java, TypeScript die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #data-quality-Repositories berechnet?
Wir verfolgen 41 aktive Open-Source-Repositories, die mit #data-quality getaggt sind (500+ Sterne), mit insgesamt 205,347 Sternen und durchschnittlich 5,008 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.