#ensemble-learning Repositories
Entdecke 24 aktive Open-Source-GitHub-Repositories, die mit #ensemble-learning getaggt sind und insgesamt 48,495 Sterne gesammelt haben (durchschnittlich 2,020 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist autogluon/autogluon mit 10,843 Sternen.
Insgesamt 24 Repositories
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.
Ich glaube, dass Sie, die Doktoranden und Arbeitssuchenden, für die das Buch hauptsächlich bestimmt ist, davon profitieren werden; ich hoffe jedoch, dass selbst die erfahrensten Forscher es faszinierend finden werden.
Eine Sammlung von Forschungsarbeiten zu Entscheidungs-, Klassifikations- und Regressionsbäumen mit Implementierungen.
😎 Alles über Klassen unausgewogen/long-tail Lernen: Papiere, Codes, Frameworks und Bibliotheken | Über alles zum Thema Klassendaten-Ungleichgewicht/Long-Tail-Lernen: Paper, Codes, Frameworks und Bibliotheken
Ein einheitlicher Ensemble-Framework für PyTorch, um die Leistung und Robustheit Ihres Deep-Learning-Modells zu verbessern.
Eine Codebasis und eine kuratierte Liste von hervorragendem Deep Long-Tailed Learning (TPAMI 2023).
Offizielle Implementierung von „ADBench: Anomaly Detection Benchmark“, NeurIPS 2022.
Ein effizientes, skalierbares und optimiertes Python-Framework für Deep Forest (2021.2.1)
Eine Sammlung von Anomalie-Erkennungsmethoden (iid/punktbasiert, Graph und Zeitreihen), einschließlich Active Learning für Anomalie-Erkennung/Entdeckung, bayessches Regel-Mining, Beschreibung für Diversität/Erklärung/Interpretierbarkeit. Analyse der Integration von Label-Feedback mit Ensemble- und baumbasierten Detektoren. Beinhaltet adversariale Angriffe mit Graph Convolutional Network.
Universelles Modellaustausch- und Serialisierungsformat für Entscheidungsbaumwälder
Modellzusammenführung in LLMs, MLLMs und darüber hinaus: Methoden, Theorien, Anwendungen und Möglichkeiten. ACM Computing Surveys, 2026.
Repository für unsere Arbeiten: Robotische Weltsmodell: Ein neuronales Netzsimsimulator für robuste Politikoptimierung in der Robotik und Unsicherheitsbewusstes Robotisches Weltsmodell lässt Offline modellbasiertes Verstärkungslernen an realen Robotern funktionieren
Offizielles Code-Repository für „Neural Thickets: Diverse Task Experts Are Dense Around Pretrained Weights“ (ICML 2026 Spotlight)
Code für IDS-ML: Entwicklung von Einbruchserkennungssystemen mithilfe von Algorithmen des maschinellen Lernens (Entscheidungsbaum, Random Forest, Extra Trees, XGBoost, Stacking, k-Means, Bayesian Optimization..)
Eine Python-Bibliothek für dynamische Klassifikator- und Ensemble-Auswahl
Häufig gestellte Fragen
Welches ist das beliebteste #ensemble-learning-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#ensemble-learning-Projekt auf GitHub ist autogluon/autogluon mit 10,843 Sternen. Schnelles und präzises ML in 3 Codezeilen
Welche Programmiersprachen werden in #ensemble-learning-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #ensemble-learning-Projekten auf GitHub sind Python, Jupyter Notebook, C++, Julia die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #ensemble-learning-Repositories berechnet?
Wir verfolgen 24 aktive Open-Source-Repositories, die mit #ensemble-learning getaggt sind (500+ Sterne), mit insgesamt 48,495 Sternen und durchschnittlich 2,020 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.