#feature-engineering Repositorios
Descubre 56 repositorios activos de código abierto de GitHub etiquetados con #feature-engineering, que acumulan 95,158 estrellas en total (una media de 1,699 estrellas por proyecto). El líder de este tema es EpistasisLab/tpot, con 10,051 estrellas.
56 repositorios en total
Una herramienta de Automated Machine Learning en Python que optimiza pipelines de machine learning usando programación genética.
Una biblioteca de Python de código abierto para ingeniería de características automatizada
Alink es la plataforma de algoritmos de Machine Learning basada en Flink, desarrollada por el equipo PAI de la plataforma de cómputo de Alibaba.
IA y aprendizaje automático con Kubeflow, Amazon EKS y SageMaker
Paquete de Python para AutoML en datos tabulares con ingeniería de características, ajuste de hiperparámetros, explicaciones y documentación automática
Libro_6_"El Camino de los Datos" | El Libro Iris: De la suma, resta, multiplicación y división al aprendizaje automático; ¡damos la bienvenida a críticas y correcciones! ¡Los estudiantes que corrijan muchos errores recibirán un ejemplar del libro como agradecimiento!
Apache Hamilton ayuda a los científicos e ingenieros de datos a definir flujos de datos probables, modulares y autodocumentados, que codifican el linaje/seguimiento y los metadatos. Se ejecuta y escala en cualquier lugar donde lo haga python.
Una biblioteca de codificadores de variables categóricas compatibles con sklearn
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
Librería de Python de código abierto para ingeniería y selección de características compatible con sklearn.
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.
Approaching (Almost) Any Machine Learning Problem versión china, dirección de la documentación en línea: https://ytzfhqs.github.io/AAAMLP-CN/
La Tienda de Características Virtual. Convierte tu infraestructura de datos existente en una tienda de características.
Feathr – Una plataforma de ingeniería de datos e IA escalable y unificada para empresas
Bot de Trading Inteligente: Generación automática de señales y trading basado en machine learning e ingeniería de características
OpenMLDB es una base de datos de aprendizaje automático de código abierto que proporciona una plataforma de características para calcular características consistentes para el entrenamiento y la inferencia.
Las acciones de Deep Learning y Machine Learning representan oportunidades prometedoras para inversores y traders a largo y corto plazo.
Aprendizaje automático de series temporales a escala. Construido con Polars para la extracción de características fácilmente paralelizable y predicciones sobre datos de panel.
NVTabular es una biblioteca de ingeniería y preprocesamiento de características para datos tabulares diseñada para manipular rápida y fácilmente conjuntos de datos a escala de terabytes utilizados para entrenar sistemas de recomendación basados en aprendizaje profundo.
Una lista curada de videos, enlaces, proyectos y conjuntos de datos de aprendizaje automático para ayudarte a conquistar el panorama del ML en 6 meses.
PMLB: Un gran repositorio curado de conjuntos de datos de referencia para evaluar algoritmos de aprendizaje automático supervisado.
La ingeniería de características es el proceso de usar el conocimiento del dominio para extraer características de datos crudos mediante técnicas de minería de datos. Estas características se pueden usar para mejorar el rendimiento de los algoritmos de aprendizaje automático. La ingeniería de características se puede considerar como el aprendizaje automático aplicado en sí mismo.
BharatMLStack es una pila de infraestructura de aprendizaje automático de extremo a extremo de código abierto construida en Meesho para soportar cargas de trabajo de ML en tiempo real y por lotes a escala de Bharat
Temporian es una biblioteca Python de código abierto para el preprocesamiento ⚡ y la ingeniería de características 🛠 de datos temporales 📈 para aplicaciones de aprendizaje automático 🤖
Curso de Machine Learning sin servidor para crear servicios de predicción con IA a partir de modelos y características
Utilice estrategias avanzadas de ingeniería de características y seleccione las mejores características de su conjunto de datos con una sola línea de código. Creado por Ram Seshadri. Se aceptan colaboradores.
Extensión de Polars para casos de uso generales de ciencia de datos
Conjunto de datos sintéticos de alta fidelidad que capturan métricas de productividad de desarrolladores de IA — incluyendo horas de concentración, tasas de finalización de tareas e indicadores de agotamiento. Seguro para la privacidad, ideal para análisis de ML y flujos de trabajo.
Ciclo de vida completo de un proyecto de ciencia de datos
Implementación/Tutorial sobre el uso de métodos de aprendizaje automático automatizado (AutoML) para aprendizaje estático/por lotes y aprendizaje en línea/continuo
Pasos pipeables para ingeniería de características y preprocesamiento de datos para preparar el modelado
Preguntas frecuentes
¿Cuál es el repositorio de #feature-engineering más popular en GitHub?
El proyecto de código abierto de #feature-engineering mejor posicionado en GitHub es EpistasisLab/tpot, con 10,051 estrellas. Una herramienta de Automated Machine Learning en Python que optimiza pipelines de machine learning usando programación genética.
¿Qué lenguajes de programación se utilizan más en los repositorios de #feature-engineering?
Entre los proyectos de #feature-engineering 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 #feature-engineering?
Seguimos 56 repositorios activos de código abierto etiquetados con #feature-engineering (500+ estrellas), que suman un total de 95,158 estrellas, con una media de 1,699 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.