#scikit-learn Repositories
Entdecke 137 aktive Open-Source-GitHub-Repositories, die mit #scikit-learn getaggt sind und insgesamt 687,046 Sterne gesammelt haben (durchschnittlich 5,014 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist microsoft/ML-For-Beginners mit 92,369 Sternen.
Insgesamt 137 Repositories
12 Wochen, 26 Lektionen, 52 Quizze, klassisches maschinelles Lernen für alle
AiLearning: Datenanalyse + Machine Learning Praxis + Lineare Algebra + PyTorch + NLTK + TF2
⛔️ VERSCHOBEN – Siehe https://github.com/ageron/handson-ml3 oder handson-mlp stattdessen.
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.
⛔️ VERSCHOBEN/VERALTET – Siehe https://github.com/ageron/handson-ml3 oder handson-mlp stattdessen.
Eine Rangliste von großartigen Machine-Learning-Python-Bibliotheken. Wöchentlich aktualisiert.
ONNX Runtime: Cross-Plattform, hochleistungsstarker ML-Inferenz- und Trainingsbeschleuniger
Eine Reihe von Jupyter-Notebooks, die Sie durch die Grundlagen des maschinellen Lernens und des Deep Learnings in Python mit Scikit-Learn, Keras und TensorFlow 2 führen.
Das Code-Repository und Informationsressource für das Buch "Python Machine Learning (1. Auflage)"
Ein Python-basiertes Automated-Machine-Learning-Tool, das Machine-Learning-Pipelines mit genetischer Programmierung optimiert.
Open-Source, Low-Code-AutoML-Plattform für Python. PyCaret 4.0: sklearn-nativer Engine + React-Steuerungsebene.
Notebooks und Code für das Buch "Introduction to Machine Learning with Python"
Passen Sie interpretierbare Modelle an. Erklären Sie Blackbox-Machine-Learning.
Eine kuratierte Liste von Projekt-Tutorials für projektbasiertes Lernen.
Eine mit scikit-learn kompatible neuronale Netzwerk-Bibliothek, die PyTorch umhüllt
Eine schnelle Bibliothek für AutoML und Tuning. Treten Sie unserem Discord bei: https://discord.gg/Cppx2vSPVP.
Visuelle Analyse- und Diagnosewerkzeuge zur Erleichterung der Auswahl von Machine-Learning-Modellen.
🧠💬 Artikel, die ich über maschinelles Lernen geschrieben habe, archiviert von MachineCurve.com.
Wahrscheinlich die beste kuratierte Liste von Data-Science-Software in Python.
Hummingbird kompiliert trainierte ML-Modelle in Tensor-Berechnungen für schnellere Inferenz.
🛠 All-in-one webbasiertes IDE, spezialisiert auf Machine Learning und Data Science.
Python-Paket für AutoML auf tabellarischen Daten mit Feature Engineering, Hyperparameter-Tuning, Erklärungen und automatischer Dokumentation
Eine Python-Bibliothek für die Visualisierung von Entscheidungsbäumen und die Modellinterpretation.
Sorgfältig kuratierte Ressourcenlinks für Data Science an einem Ort
ein hervorragendes Machine-Learning-Tool, mit dem Sie Modelle trainieren, testen und verwenden können, ohne Code zu schreiben
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.
Python-Bibliothek auf Basis von scikit-learn zur Portfoliooptimierung, zum Aufbau von Faktormodellen und zum Risikomanagement
Eine Bibliothek von sklearn-kompatiblen Kategorischen Variablen-Encodern
Eine intuitive Bibliothek, um Plotting-Funktionalität zu scikit-learn-Objekten hinzuzufügen.
Häufig gestellte Fragen
Welches ist das beliebteste #scikit-learn-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#scikit-learn-Projekt auf GitHub ist microsoft/ML-For-Beginners mit 92,369 Sternen. 12 Wochen, 26 Lektionen, 52 Quizze, klassisches maschinelles Lernen für alle
Welche Programmiersprachen werden in #scikit-learn-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #scikit-learn-Projekten auf GitHub sind Python, Jupyter Notebook, C++, TypeScript die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #scikit-learn-Repositories berechnet?
Wir verfolgen 137 aktive Open-Source-Repositories, die mit #scikit-learn getaggt sind (500+ Sterne), mit insgesamt 687,046 Sternen und durchschnittlich 5,014 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.