#feature-engineering Repositories
Entdecke 56 aktive Open-Source-GitHub-Repositories, die mit #feature-engineering getaggt sind und insgesamt 95,158 Sterne gesammelt haben (durchschnittlich 1,699 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist EpistasisLab/tpot mit 10,051 Sternen.
Insgesamt 56 Repositories
Ein Python-basiertes Automated-Machine-Learning-Tool, das Machine-Learning-Pipelines mit genetischer Programmierung optimiert.
Alink ist die Machine-Learning-Algorithmusplattform basierend auf Flink, entwickelt vom PAI-Team der Alibaba Computing Platform.
KI und maschinelles Lernen mit Kubeflow, Amazon EKS und SageMaker
Python-Paket für AutoML auf tabellarischen Daten mit Feature Engineering, Hyperparameter-Tuning, Erklärungen und automatischer Dokumentation
Buch_6_"Der Weg der Daten" | Iris Buch: Von Addition, Subtraktion, Multiplikation und Division bis hin zu maschinellem Lernen; wir freuen uns über Kritik und Korrekturen! Studenten, die viele Fehler korrigieren, erhalten ein Exemplar des Buches als Dankeschön!
Apache Hamilton hilft Datenwissenschaftlern und Ingenieuren, testbare, modulare, selbstdokumentierende Datenflüsse zu definieren, die Abstammung/Rückverfolgung und Metadaten kodieren. Läuft und skaliert überall dort, wo Python läuft.
Eine Bibliothek von sklearn-kompatiblen Kategorischen Variablen-Encodern
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
Open-Source-Python-Bibliothek für Feature Engineering und -auswahl, kompatibel mit sklearn.
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.
Approaching (Almost) Any Machine Learning Problem chinesische Übersetzung, Online-Dokumentationsadresse: https://ytzfhqs.github.io/AAAMLP-CN/
Der virtuelle Feature Store. Verwandeln Sie Ihre bestehende Dateninfrastruktur in einen Feature Store.
Feathr – Eine skalierbare, einheitliche Daten- und KI-Engineering-Plattform für Unternehmen
Intelligenter Handelsbot: Automatische Generierung von Signalen und Handel auf Basis von maschinellem Lernen und Feature Engineering
OpenMLDB ist eine Open-Source-Machine-Learning-Datenbank, die eine Feature-Plattform für die Berechnung konsistenter Features für Training und Inferenz bereitstellt.
Aktien im Bereich Deep Learning und Machine Learning bieten vielversprechende Chancen für langfristige und kurzfristige Investoren und Trader.
Zeitreihen-maschinelles Lernen in großem Maßstab. Entwickelt mit Polars für leicht parallelisierbare Merkmalsextraktion und Vorhersagen auf Paneldaten.
NVTabular ist eine Bibliothek für Feature Engineering und Vorverarbeitung von tabellarischen Daten, die entwickelt wurde, um Terabyte-große Datensätze schnell und einfach zu manipulieren, die zum Trainieren von Deep-Learning-basierten Empfehlungssystemen verwendet werden.
Eine kuratierte Liste von Machine-Learning-Videos, Links, Projekten und Datensätzen, die Ihnen helfen, die ML-Landschaft in 6 Monaten zu erobern.
PMLB: Ein großes, kuratiertes Repository von Benchmark-Datensätzen zur Bewertung überwacher Lern-Algorithmen im maschinellen Lernen.
Feature Engineering ist der Prozess, Domain-Wissen zu nutzen, um Features aus Rohdaten mittels Data-Mining-Techniken zu extrahieren. Diese Features können verwendet werden, um die Leistung von Machine-Learning-Algorithmen zu verbessern. Feature Engineering kann als angewandtes Machine Learning selbst betrachtet werden.
BharatMLStack ist ein Open-Source-, End-to-End-Machine-Learning-Infrastruktur-Stack, der bei Meesho entwickelt wurde, um Echtzeit- und Batch-ML-Workloads in Bharat-Größe zu unterstützen
Temporian ist eine Open-Source-Python-Bibliothek zur Vorverarbeitung ⚡ und Feature-Engineering 🛠 temporaler Daten 📈 für maschinelles Lernanwendungen 🤖
Serverless Machine Learning Kurs zum Erstellen von KI-gestützten Vorhersagediensten aus Modellen und Features
Nutzen Sie fortgeschrittene Feature-Engineering-Strategien und wählen Sie mit einer einzigen Codezeile die besten Features aus Ihrem Datensatz aus. Erstellt von Ram Seshadri. Mitarbeiter willkommen.
Hochwertiger synthetischer Datensatz zur Erfassung von KI-Entwicklerproduktivitätsmetriken – einschließlich Fokusstunden, Aufgabenerledigungsquoten und Burnout-Anzeichen. Datenschutzsicher, ideal für ML- und Workflow-Analysen.
Vollständiger Lebenszyklus eines Data-Science-Projekts
Implementierung/Tutorial zur Verwendung automatisierter maschineller Lernmethoden (AutoML) für statisches/Batch- und Online/kontinuierliches Lernen
Pipeline-fähige Schritte für Feature-Engineering und Daten-Vorverarbeitung zur Vorbereitung auf das Modellieren
Häufig gestellte Fragen
Welches ist das beliebteste #feature-engineering-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#feature-engineering-Projekt auf GitHub ist EpistasisLab/tpot mit 10,051 Sternen. Ein Python-basiertes Automated-Machine-Learning-Tool, das Machine-Learning-Pipelines mit genetischer Programmierung optimiert.
Welche Programmiersprachen werden in #feature-engineering-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #feature-engineering-Projekten auf GitHub sind Python, Jupyter Notebook, Scala, Java die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #feature-engineering-Repositories berechnet?
Wir verfolgen 56 aktive Open-Source-Repositories, die mit #feature-engineering getaggt sind (500+ Sterne), mit insgesamt 95,158 Sternen und durchschnittlich 1,699 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.