#lightgbm Repositories
Entdecke 26 aktive Open-Source-GitHub-Repositories, die mit #lightgbm getaggt sind und insgesamt 70,365 Sterne gesammelt haben (durchschnittlich 2,706 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist lightgbm-org/LightGBM mit 18,995 Sternen.
Insgesamt 26 Repositories
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.
Einfache und verteilte Machine-Learning-Python-Bibliothek zur Portierung von ML-Algorithmen für Spark
Python-Paket für AutoML auf tabellarischen Daten mit Feature Engineering, Hyperparameter-Tuning, Erklärungen und automatischer Dokumentation
Transformieren Sie ML-Modelle in nativen Code (Java, C, Python, Go, JavaScript, Visual Basic, C#, R, PowerShell, PHP, Dart, Haskell, Ruby, F#, Rust) ohne Abhängigkeiten
Eine Bibliothek zum Debuggen/Inspektieren von Machine-Learning-Klassifikatoren und Erklären ihrer Vorhersagen
Mars ist ein tensorbasierter einheitlicher Rahmen für die Berechnung großer Datenmengen, der numpy, pandas, scikit-learn und Python-Funktionen skaliert.
Eine Sammlung von Forschungsarbeiten zu Entscheidungs-, Klassifikations- und Regressionsbäumen mit Implementierungen.
Der Feature Selector ist ein Werkzeug zur Dimensionsreduktion von Machine-Learning-Datensätzen
Die Open-Source-Edition von QuantMind (Quantitatives Gehirn) ist eine KI-native Multi-Markt-Plattform für den quantitativen Handel, die sich an einzelne Entwickler sowie Forschungs- und Investmentteams richtet. Sie integriert Microsoft Qlib, die Faktorentwicklung von RD-Agent und die umfassende QuantBot-Workbench tiefgreifend und bietet einen vollständigen Prozess – von der Ermittlung von mehr als 300 Faktordimensionen, einer Modellfabrik mit 13 Modellen für maschinelles Lernen und Deep Learning, leistungsstarkem Qlib-Backtesting, batchweiser Querschnittsinferenz und einer rund um die Uhr verfügbaren Echtzeit-Sentimentanalyse der öffentlichen Meinung bis hin zur umfassenden Anbindung an TongdaXin (Sektor-Pushs, Warnradar und Blitz-Orderaufgabe) sowie zum Live- und simulierten Handel. Unterstützt werden A-Aktien, Hongkong-Aktien, US-Aktien, Futures und Blockchain. Die kommerzielle Nutzung ist kostenlos möglich; das System lässt sich per Docker Compose mit einem Klick privat bereitstellen. Daten und Modelle bleiben vollständig lokal, um die Vertraulichkeit der Strategien zu gewährleisten. Alle Funktionen sind ohne Einstiegshürden und ohne Einschränkungen verfügbar.
Python-Bibliothek für Zeitreihenprognosen mit scikit-learn-kompatiblen Modellen, statistischen Methoden und Foundation-Modellen
Eine kuratierte Liste von Forschungsarbeiten zu Gradient Boosting mit Implementierungen.
Ein Inferenzserver für Ihre Machine-Learning-Modelle, einschließlich Unterstützung für mehrere Frameworks, Multi-Model-Serving und mehr
Python-Client und Toolkit für DataFrames, Big Data, Machine Learning und ETL in Elasticsearch
Ollama für klassische ML-Modelle. AOT-Compiler, der XGBoost, LightGBM, scikit-learn, CatBoost & ONNX-Modelle in nativen C99-Inferenzcode umwandelt. Ein Befehl zum Laden, ein Befehl zum Servieren. 336x schneller als Python-Inferenz.
SIGKDD'2019: DeepGBM: Ein Deep-Learning-Framework, das durch GBDT destilliert wurde, für Online-Vorhersageaufgaben
Eine hybride Windows-Endpunktsicherheitsplattform, unterstützt durch maschinelles Lernen, YARA-Regeln, Cloud-Analyse und verhaltensbasierte Schutzmechanismen auf Kernel-Ebene.
Code für IDS-ML: Entwicklung von Einbruchserkennungssystemen mithilfe von Algorithmen des maschinellen Lernens (Entscheidungsbaum, Random Forest, Extra Trees, XGBoost, Stacking, k-Means, Bayesian Optimization..)
REST-Webdienst für die echte Echtzeit-Bewertung (<1 ms) von Scikit-Learn-, R- und Apache-Spark-Modellen
Ein Python-Paket für die gleichzeitige Hyperparameter-Optimierung und Merkmalsauswahl für Gradient-Boosting-Modelle.
Häufig gestellte Fragen
Welches ist das beliebteste #lightgbm-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#lightgbm-Projekt auf GitHub ist lightgbm-org/LightGBM mit 18,995 Sternen. 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.
Welche Programmiersprachen werden in #lightgbm-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #lightgbm-Projekten auf GitHub sind Python, Jupyter Notebook, C++, HTML die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #lightgbm-Repositories berechnet?
Wir verfolgen 26 aktive Open-Source-Repositories, die mit #lightgbm getaggt sind (500+ Sterne), mit insgesamt 70,365 Sternen und durchschnittlich 2,706 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.