#kaggle Repositories
Entdecke 19 aktive Open-Source-GitHub-Repositories, die mit #kaggle getaggt sind und insgesamt 140,042 Sterne gesammelt haben (durchschnittlich 7,370 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist donnemartin/data-science-ipython-notebooks mit 28,776 Sternen.
Insgesamt 19 Repositories
Python-Notebooks für Data Science: Deep Learning (TensorFlow, Theano, Caffe, Keras), scikit-learn, Kaggle, Big Data (Spark, Hadoop MapReduce, HDFS), matplotlib, pandas, NumPy, SciPy, Python-Grundlagen, AWS und verschiedene Befehlszeilen.
Interaktives Deep-Learning-Buch mit Code für mehrere Frameworks, Mathematik und Diskussionen. An 500 Universitäten in 70 Ländern übernommen, darunter Stanford, MIT, Harvard und Cambridge.
Erstelle Hörbücher aus E-Books – mit über 50 TTS-Engines, Stimmenklonen und Unterstützung für 1.696 Sprachen!
Ein schnelles, verteiltes, hochperformantes Gradient-Boosting-Framework (GBT, GBDT, GBRT, GBM oder MART) basierend auf Decision-Tree-Algorithmen, das für Ranking, Klassifikation und viele andere Machine-Learning-Aufgaben verwendet wird.
PyTorch-Implementierung des U-Net für die semantische Segmentierung von Bildern mit hochwertigen Bildern
Eine schnelle, skalierbare, hochperformante Gradient Boosting on Decision Trees Bibliothek, die für Ranking, Klassifikation, Regression und andere Machine-Learning-Aufgaben für Python, R, Java, C++ verwendet wird. Unterstützt Berechnungen auf CPU und GPU.
Datenmining, Computer Vision, Natürliche Sprachverarbeitung, Empfehlungssystem-Wettbewerbswissen, Code, Ideen
Approaching (Almost) Any Machine Learning Problem chinesische Übersetzung, Online-Dokumentationsadresse: https://ytzfhqs.github.io/AAAMLP-CN/
Schnelles und anpassbares Framework für die automatische Erstellung von ML-Modellen (AutoML)
Open-Modelle der Spitzenklasse auf einer kostenlosen Kaggle-TPU v5e-8: GLM-5.3-Flash 320B MoE (~165 Tok/s, mit unserer eigenen JAX-Engine) und Qwen3.8-27B bf16 (~130 Tok/s), 262k Kontext und Präfix-Caching. Funktioniert mit Claude Code, Codex, opencode und pi.
Perpetual ist eine Hochleistungs-Gradient-Boosting-Maschine. Sie liefert optimale Genauigkeit in einem einzigen Lauf ohne komplexes Tuning durch einen einfachen Budgetparameter. Sie bietet sofortige Unterstützung für kausales ML, kontinuierliches Lernen, native Kalibrierung und robuste Drift‑Überwachung sowie einen Rust‑Kern und Zero‑Copy‑Bindings für Python und R.
Klassifizieren Sie die Kaggle San Francisco Crime Description in 39 Klassen. Erstellen Sie das Modell mit CNN, RNN (GRU und LSTM) und Word Embeddings auf Tensorflow.
Eine verbesserte und reproduzierbare Implementierung einer Silver-Medal-Kaggle-NeurIPS-Open-Polymer-Prediction-Lösung mit SMILES-Kanonisierung, molekularen Deskriptoren, CatBoost/XGBoost-Modellen, OOF-Stacking und optionalen PyTorch Geometric GNNs.
Häufig gestellte Fragen
Welches ist das beliebteste #kaggle-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#kaggle-Projekt auf GitHub ist donnemartin/data-science-ipython-notebooks mit 28,776 Sternen. Python-Notebooks für Data Science: Deep Learning (TensorFlow, Theano, Caffe, Keras), scikit-learn, Kaggle, Big Data (Spark, Hadoop MapReduce, HDFS), matplotlib, pandas, NumPy, SciPy, Python-Grundlagen, AWS und verschiedene Befehlszeilen.
Welche Programmiersprachen werden in #kaggle-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #kaggle-Projekten auf GitHub sind Python, Jupyter Notebook, C++, Astro die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #kaggle-Repositories berechnet?
Wir verfolgen 19 aktive Open-Source-Repositories, die mit #kaggle getaggt sind (500+ Sterne), mit insgesamt 140,042 Sternen und durchschnittlich 7,370 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.