#automl Repositorios
Descubre 64 repositorios activos de código abierto de GitHub etiquetados con #automl, que acumulan 195,817 estrellas en total (una media de 3,059 estrellas por proyecto). El líder de este tema es lukasmasuch/best-of-ml-python, con 23,877 estrellas.
64 repositorios en total
Una lista clasificada de fantásticas bibliotecas de Python para aprendizaje automático. Actualizado semanalmente.
Una herramienta de Automated Machine Learning en Python que optimiza pipelines de machine learning usando programación genética.
Plataforma AutoML de código abierto y bajo código para Python. PyCaret 4.0: motor nativo de sklearn + plano de control React.
Una biblioteca de Python de código abierto para ingeniería de características automatizada
H2O es una Plataforma de Machine Learning de Código Abierto, Distribuida, Rápida y Escalable: Deep Learning, Gradient Boosting (GBM) y XGBoost, Random Forest, Generalized Linear Modeling (GLM con Elastic Net), K-Means, PCA, Generalized Additive Models (GAM), RuleFit, Support Vector Machine (SVM), Stacked Ensembles, Automatic Machine Learning (AutoML), etc.
cube studio Plataforma de IA todo en uno nativa de la nube, de código abierto, para aprendizaje automático/aprendizaje profundo/modelos grandes, flujo completo de enlaces de algoritmos MLOps, plataforma de alquiler de potencia de cómputo, desarrollo en línea de Notebook, orquestación de pipeline de flujo de tareas de arrastrar y soltar, entrenamiento distribuido multi-máquina multi-GPU, búsqueda de hiperparámetros, virtualización VGPU de servicio de inferencia, computación en el borde, anotación automatizada de la plataforma de anotación, ajuste fino SFT de modelos grandes/Modelo de recompensa/Entrenamiento de aprendizaje por refuerzo de Deepseek, inferencia multi-máquina de modelos grandes como vLLM/Ollama/MindSpore, base de conocimientos privada, mercado de modelos de IA, soporte para el ecosistema Ascend de CPU/GPU/NPU domésticos, soporte RDMA, soporte para frameworks distribuidos como PyTorch/TF/MXNet/DeepSpeed/Paddle/ColossalAI/Horovod/Ray/Volcano
Merlion: Un marco de aprendizaje automático para la inteligencia de series temporales
Una biblioteca rápida para AutoML y tuning. Únete a nuestro Discord: https://discord.gg/Cppx2vSPVP.
Una lista curada de papers, artículos, tutoriales, diapositivas y proyectos de aprendizaje automático automatizado
Kit de herramientas AutoML para Python que permite comparar modelos de clasificación, regresión y pronóstico de series temporales, con aceleración por GPU, seguimiento con MLflow y preprocesamiento automatizado.
Paquete de Python para AutoML en datos tabulares con ingeniería de características, ajuste de hiperparámetros, explicaciones y documentación automática
una deliciosa herramienta de aprendizaje automático que le permite entrenar, probar y usar modelos sin escribir código
CubeStudio es una plataforma de código abierto nativa de la nube integral de aprendizaje automático/aprendizaje profundo/modelos grandes de IA/MaaS/MLOps/plataforma de inteligencia artificial/plataforma de entrenamiento e inferencia, que cubre el flujo completo del algoritmo, multiinquilino, plataforma de alquiler de potencia informática, retransmisión de tokens, orquestación de pipelines de flujo de trabajo mediante arrastrar y soltar, entrenamiento distribuido multi-máquina multi-tarjeta, búsqueda de hiperparámetros, servicios de inferencia, virtualización VGPU, colaboración nube-borde-dispositivo, computación en el borde, plataforma de anotación automatizada, ajuste fino SFT/modelo de recompensa/entrenamiento de aprendizaje por refuerzo para modelos grandes como DeepSeek, inferencia multi-máquina para modelos grandes con vLLM/Ollama/MindIE, agentes inteligentes LLMOps con base de conocimiento privada, mercado de modelos de IA, soporte para programación de potencia informática heterogénea nacional (Ascend, Cambricon, Hygon, Moore Threads, Muxi, etc.), soporte para IB/RoCE/RDMA y soporte para Xinchuang.
Búsqueda automática de arquitectura y optimización de hiperparámetros para PyTorch
Un servicio de aprendizaje automático de bajo código para clasificar de forma personalizada artículos, listados, resultados de búsqueda, recomendaciones que impulsa la participación del usuario. Un motor amigable de Aprender para Clasificar
Framework de implementación abierto de Chanlun en Python, compatible con cálculos de análisis de puntos de compra/venta morfológicos/dinámicos, combinación de líneas K multinivel, estrategia de encaje de intervalos, trazado visual, acceso a diversos datos, desarrollo de estrategias, conexión con sistemas de trading;
TransmogrifAI (pronunciado trăns-mŏgˈrə-fī) es una biblioteca de AutoML para construir flujos de trabajo de aprendizaje automático modulares, reutilizables y fuertemente tipados en Apache Spark con una mínima intervención manual.
Ejemplos de código Java y Kotlin utilizados en cloud.google.com
Visualice automáticamente cualquier conjunto de datos, de cualquier tamaño, con una sola línea de código. Creado por Ram Seshadri. Colaboradores bienvenidos. Permiso concedido previa solicitud.
ADVERTENCIA: El proyecto Katib está OBSOLETO. Los usuarios deben migrar a OptimizationJob y Kubeflow Trainer.
Framework rápido y personalizable para la creación automática de modelos de ML (AutoML)
ModelFox facilita el entrenamiento, la implementación y la monitorización de modelos de machine learning.
[ICLR 2019] ProxylessNAS: Búsqueda directa de arquitectura neuronal en la tarea objetivo y hardware
Crea, entrena, optimiza y ejecuta modelos de visión por computadora localmente, desde imágenes sin procesar hasta inferencia en tiempo real. De código abierto y optimizado para Intel® XPU (también compatible con CUDA).
[pip install medmnist] 18 conjuntos de datos estandarizados para clasificación de imágenes biomédicas 2D y 3D
SMAC3: Un paquete versátil de optimización bayesiana para la optimización de hiperparámetros
Aprendizaje rápido y simple de estructuras de redes profundas con restricciones de recursos
Curando una lista de investigaciones relacionadas con AutoML, herramientas, proyectos y otros recursos
Luminaire es un paquete de Python que proporciona soluciones impulsadas por ML para monitorear datos de series temporales.
Notebooks, muestras de código, aplicaciones de ejemplo y otros recursos que demuestran cómo usar, desarrollar y administrar flujos de trabajo de aprendizaje automático e IA generativa utilizando Vertex AI de Google Cloud.
Construya automáticamente modelos ARIMA, SARIMAX, VAR, FB Prophet y XGBoost en conjuntos de datos de series temporales con una sola línea de código. Creado por Ram Seshadri. Se aceptan colaboradores.
Preguntas frecuentes
¿Cuál es el repositorio de #automl más popular en GitHub?
El proyecto de código abierto de #automl mejor posicionado en GitHub es lukasmasuch/best-of-ml-python, con 23,877 estrellas. Una lista clasificada de fantásticas bibliotecas de Python para aprendizaje automático. Actualizado semanalmente.
¿Qué lenguajes de programación se utilizan más en los repositorios de #automl?
Entre los proyectos de #automl mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, Scala, Java.
¿Cómo se calcula la clasificación de los repositorios de #automl?
Seguimos 64 repositorios activos de código abierto etiquetados con #automl (500+ estrellas), que suman un total de 195,817 estrellas, con una media de 3,059 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.