#decision-trees Repositorios
Descubre 14 repositorios activos de código abierto de GitHub etiquetados con #decision-trees, que acumulan 58,478 estrellas en total (una media de 4,177 estrellas por proyecto). El líder de este tema es lightgbm-org/LightGBM, con 18,995 estrellas.
14 repositorios en total
Un framework rápido, distribuido y de alto rendimiento para gradient boosting (GBT, GBDT, GBRT, GBM o MART) basado en algoritmos de árboles de decisión, utilizado para ranking, clasificación y muchas otras tareas de aprendizaje automático.
Una biblioteca de Gradient Boosting en Árboles de Decisión rápida, escalable y de alto rendimiento, utilizada para ranking, clasificación, regresión y otras tareas de aprendizaje automático para Python, R, Java, C++. Soporta cómputo en CPU y GPU.
Contiene Soluciones y Notas para la Especialización en Aprendizaje Automático de la Universidad de Stanford y Deeplearning.ai - Coursera (2022) del Prof. Andrew NG
Código Python para algoritmos comunes de Machine Learning
Una biblioteca de Python para la visualización de árboles de decisión e interpretación de modelos.
Formato universal de intercambio y serialización de modelos para bosques de árboles de decisión
Una colección de algoritmos de última generación para el entrenamiento, servicio e interpretación de modelos de Decision Forest en Keras.
Ollama para modelos ML clásicos. Compilador AOT que convierte modelos XGBoost, LightGBM, scikit-learn, CatBoost y ONNX en código de inferencia nativo C99. Un comando para cargar, un comando para servir. 336x más rápido que la inferencia en Python.
Una biblioteca para entrenar, evaluar, interpretar y producir modelos de bosques de decisión como Random Forest y Gradient Boosted Decision Trees.
Preguntas frecuentes
¿Cuál es el repositorio de #decision-trees más popular en GitHub?
El proyecto de código abierto de #decision-trees mejor posicionado en GitHub es lightgbm-org/LightGBM, con 18,995 estrellas. Un framework rápido, distribuido y de alto rendimiento para gradient boosting (GBT, GBDT, GBRT, GBM o MART) basado en algoritmos de árboles de decisión, utilizado para ranking, clasificación y muchas otras tareas de aprendizaje automático.
¿Qué lenguajes de programación se utilizan más en los repositorios de #decision-trees?
Entre los proyectos de #decision-trees mejor posicionados en GitHub, los lenguajes de programación más comunes son Jupyter Notebook, C++, Python, JavaScript.
¿Cómo se calcula la clasificación de los repositorios de #decision-trees?
Seguimos 14 repositorios activos de código abierto etiquetados con #decision-trees (500+ estrellas), que suman un total de 58,478 estrellas, con una media de 4,177 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.