#lightgbm Repositorios
Descubre 26 repositorios activos de código abierto de GitHub etiquetados con #lightgbm, que acumulan 70,365 estrellas en total (una media de 2,706 estrellas por proyecto). El líder de este tema es lightgbm-org/LightGBM, con 18,995 estrellas.
26 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.
Materiales educativos de IA para estudiantes, profesores y profesionales de TI chinos.
Biblioteca de Python de aprendizaje automático simple y distribuido que transfiere algoritmos de ML a Spark
Paquete de Python para AutoML en datos tabulares con ingeniería de características, ajuste de hiperparámetros, explicaciones y documentación automática
Transforma modelos ML en código nativo (Java, C, Python, Go, JavaScript, Visual Basic, C#, R, PowerShell, PHP, Dart, Haskell, Ruby, F#, Rust) sin dependencias
Una biblioteca para depurar/inspeccionar clasificadores de aprendizaje automático y explicar sus predicciones
Mars es un marco unificado basado en tensores para la computación de datos a gran escala que escala numpy, pandas, scikit-learn y funciones de Python.
Una colección de artículos de investigación sobre árboles de decisión, clasificación y regresión con implementaciones.
El selector de características es una herramienta para la reducción de dimensionalidad de conjuntos de datos de aprendizaje automático
La edición de código abierto de QuantMind (Cerebro Cuantitativo) es una plataforma de trading cuantitativo multimercado nativa de IA, dirigida a desarrolladores individuales y equipos de investigación y gestión de inversiones. Integra profundamente Microsoft Qlib, la evolución de factores de RD-Agent y el banco de trabajo integral QuantBot, ofreciendo un circuito completo que abarca la minería de más de 300 dimensiones de factores, una fábrica de modelos con 13 modelos de aprendizaje automático y aprendizaje profundo, backtesting de alto rendimiento con Qlib, inferencia transversal por lotes, análisis de sentimiento de la opinión pública en tiempo real 24/7, integración profunda con TongdaXin (envío de información sectorial, radar de alertas y colocación rápida de órdenes), y trading real y simulado. Es compatible con acciones A, acciones de Hong Kong, acciones estadounidenses, futuros y blockchain. Puede utilizarse comercialmente de forma gratuita y desplegarse de manera privada con un solo clic mediante Docker Compose. Los datos y modelos se mantienen completamente locales para proteger la privacidad de las estrategias, y todas las funciones están disponibles sin barreras ni limitaciones.
Biblioteca de Python para pronóstico de series temporales usando modelos compatibles con scikit-learn, métodos estadísticos y modelos fundamentales
Una lista curada de artículos de investigación sobre gradient boosting con implementaciones.
Un servidor de inferencia para sus modelos de aprendizaje automático, que incluye soporte para múltiples frameworks, servicio de múltiples modelos y más
Cliente y kit de herramientas de Python para DataFrames, Big Data, Machine Learning y ETL en Elasticsearch
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.
SIGKDD'2019: DeepGBM: Un marco de aprendizaje profundo destilado por GBDT para tareas de predicción en línea
📘 El rastreador de experimentos para el entrenamiento de modelos fundamentales
Una plataforma híbrida de seguridad para endpoints de Windows impulsada por aprendizaje automático, reglas YARA, análisis en la nube y protección de comportamiento a nivel del kernel.
Código para IDS-ML: desarrollo de sistemas de detección de intrusiones utilizando algoritmos de aprendizaje automático (árbol de decisión, random forest, extra trees, XGBoost, stacking, k-means, optimización bayesiana..)
Servicio web REST para la puntuación en tiempo real verdadera (<1 ms) de modelos de Scikit-Learn, R y Apache Spark
Un paquete de Python para la optimización simultánea de hiperparámetros y la selección de características para modelos de Gradient Boosting.
Preguntas frecuentes
¿Cuál es el repositorio de #lightgbm más popular en GitHub?
El proyecto de código abierto de #lightgbm 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 #lightgbm?
Entre los proyectos de #lightgbm mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, C++, HTML.
¿Cómo se calcula la clasificación de los repositorios de #lightgbm?
Seguimos 26 repositorios activos de código abierto etiquetados con #lightgbm (500+ estrellas), que suman un total de 70,365 estrellas, con una media de 2,706 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.