#scikit-learn Repositories
Insgesamt 137 Repositories
2-2000x schnellere ML-Algorithmen, 50 % weniger Speicherverbrauch, funktioniert auf allen Hardware - neu und alt.
Meistern Sie die essenziellen Fähigkeiten, die benötigt werden, um komplexe reale Probleme mit Machine Learning und Deep Learning zu erkennen und zu lösen, indem Sie das hochpopuläre Python Machine Learning-Ökosystem nutzen.
Open-Source-Python-Bibliothek für Feature Engineering und -auswahl, kompatibel mit sklearn.
Eine Reihe von Jupyter-Notebooks, die Sie durch die Grundlagen des maschinellen Lernens und des Deep Learnings in Python mit den Bibliotheken Scikit-Learn, PyTorch und Hugging Face führen.
Der Feature Selector ist ein Werkzeug zur Dimensionsreduktion von Machine-Learning-Datensätzen
Visualisieren Sie automatisch jedes Dataset jeder Größe mit einer einzigen Codezeile. Erstellt von Ram Seshadri. Mitarbeiter willkommen. Genehmigung wird auf Anfrage erteilt.
WARNUNG: Das Katib-Projekt ist VERALTET. Nutzer sollten zu OptimizationJob und Kubeflow Trainer migrieren.
Interpretabler ML-Paket 🔍 für knappe, transparente und genaue prädiktive Modellierung (sklearn-kompatibel).
Python-Bibliothek für Zeitreihenprognosen mit scikit-learn-kompatiblen Modellen, statistischen Methoden und Foundation-Modellen
Portfolio von Data-Science-Projekten, die von mir für akademische Zwecke, zum Selbststudium und als Hobby abgeschlossen wurden.
:crown: Multivariate explorative Datenanalyse in Python — PCA, CA, MCA, MFA, FAMD, GPA
Concrete ML: Datenschutzwahrender ML-Framework unter Verwendung von Fully Homomorphic Encryption (FHE), aufgebaut auf Concrete, mit Anbindungen an traditionelle ML-Frameworks.
Produktionsnahes MLOps-Python-Paket und Referenzimplementierung des MLOps-Programmierkurses: MLflow, scikit-learn, Pydantic, Pandera, uv und mise.
Praktisches Erlernen der Datenanalyse mit Projekten als Hauptlinie, wobei Wissenspunkte darin eingebettet sind und durch Lernen, Anwenden und Anleiten bessere Lernergebnisse erzielt werden
Die Erweiterung für Scikit-learn ist eine nahtlose Möglichkeit, Ihre Scikit-learn-Anwendung zu beschleunigen.
Kleine Machine-Learning-Projekte, um die Kernkonzepte zu verstehen. Gib einen Stern 🌟, wenn es dir hilft. BONUS: Interview Bank kommt bald..!
Transpilieren Sie trainierte scikit-learn-Schätzer und -Transformer nach C, C#, Go, Java, JavaScript, PHP und Ruby.
Python-Implementierungen der k-modes- und k-prototypes-Clustering-Algorithmen für das Clustering kategorischer Daten
Bibliothek zur Merkmalsextraktion aus Zeitreihen (TSFEL): über 60 statistische, zeitliche, spektrale und fraktale Merkmale für die Klassifizierung und Regression von Zeitreihen sowie die Signalverarbeitung in Python
Zusammenstellung von R- und Python-Programmiercodes auf dem Data Professor YouTube-Kanal.
Notizen & Lösungen zu den Übungen aus Teil I des Buches: "Hands-On ML with Scikit-Learn, Keras & TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems" von Aurelien Geron
Ein hochperformantes Tool-Box für topologisches maschinelles Lernen in Python
Ein Modul auf scikit-learn-Basis für Multi-Label-Klassifizierung et. al.
Ein Inferenzserver für Ihre Machine-Learning-Modelle, einschließlich Unterstützung für mehrere Frameworks, Multi-Model-Serving und mehr
scikit-learn Cross-Validatoren für iterative Schichtung von Multilabel-Daten