Git Stars Git Stars

#model-selection Repositorios

Descubre 12 repositorios activos de código abierto de GitHub etiquetados con #model-selection, que acumulan 27,154 estrellas en total (una media de 2,262 estrellas por proyecto). El líder de este tema es EpistasisLab/tpot, con 10,051 estrellas.

12
Total de Repositorios
27,154
Total de estrellas
2,262
Promedio de Estrellas/Repo

12 repositorios en total

1
EpistasisLab/tpot

Una herramienta de Automated Machine Learning en Python que optimiza pipelines de machine learning usando programación genética.

EpistasisLab
⭐ 10,051 Jupyter Notebook 👤 EpistasisLab Organization 🕐 Actualizado 2025-09-11 📅 Creado 2015-11-03
2
DistrictDataLabs/yellowbrick

Herramientas de análisis visual y diagnóstico para facilitar la selección de modelos de aprendizaje automático.

DistrictDataLabs
⭐ 4,399 Python 👤 DistrictDataLabs Organization 🕐 Actualizado 2025-02-19 📅 Creado 2016-05-18
3
ulab-uiuc/LLMRouter

LLMRouter: Una biblioteca de código abierto para el enrutamiento de LLM

ulab-uiuc
⭐ 3,086 Python 👤 ulab-uiuc Organization 🕐 Actualizado 2026-11-20 📅 Creado 2025-10-07
4
signerless/llm-checker

Herramienta CLI avanzada que escanea tu hardware y te indica exactamente qué modelos LLM o sLLM puedes ejecutar localmente, con integración completa de Ollama.

signerless
⭐ 3,072 JavaScript 👤 signerless User 🕐 Actualizado 2026-11-16 📅 Creado 2025-07-06
5
hyperopt/hyperopt-sklearn

Optimización de hiperparámetros para sklearn

hyperopt
⭐ 1,646 Python 👤 hyperopt Organization 🕐 Actualizado 2025-04-15 📅 Creado 2013-02-19
6
smartcorelib/smartcore

Una biblioteca integral para el aprendizaje automático y la computación numérica. Aplique el aprendizaje automático con Rust aprovechando principios fundamentales.

smartcorelib
⭐ 979 Rust 👤 smartcorelib Organization 🕐 Actualizado 2026-11-21 📅 Creado 2019-05-08
7
alteryx/evalml

EvalML es una biblioteca AutoML escrita en Python.

alteryx
⭐ 852 Python 👤 alteryx Organization 🕐 Actualizado 2026-01-14 📅 Creado 2019-07-17
8
rsteca/sklearn-deap

Usa algoritmos evolutivos en lugar de gridsearch en scikit-learn

rsteca
⭐ 772 Jupyter Notebook 👤 rsteca User 🕐 Actualizado 2024-02-10 📅 Creado 2015-10-28
9
Western-OC2-Lab/AutoML-Implementation-for-Static-and-Dynamic-Data-Analytics

Implementación/Tutorial sobre el uso de métodos de aprendizaje automático automatizado (AutoML) para aprendizaje estático/por lotes y aprendizaje en línea/continuo

Western-OC2-Lab
⭐ 629 Jupyter Notebook 👤 Western-OC2-Lab Organization 🕐 Actualizado 2024-05-14 📅 Creado 2022-09-09
10
cerlymarco/shap-hypetune

Un paquete de Python para la optimización simultánea de hiperparámetros y la selección de características para modelos de Gradient Boosting.

cerlymarco
⭐ 584 Jupyter Notebook 👤 cerlymarco User 🕐 Actualizado 2024-06-08 📅 Creado 2021-05-16
11
hyperactive-project/Hyperactive

Una interfaz unificada para algoritmos de optimización y experimentos

hyperactive-project
⭐ 551 Python 👤 hyperactive-project Organization 🕐 Actualizado 2026-11-02 📅 Creado 2018-11-01
12
BCG-X-Official/facet

IA explicable por humanos.

BCG-X-Official
⭐ 533 Jupyter Notebook 👤 BCG-X-Official Organization 🕐 Actualizado 2026-10-28 📅 Creado 2020-08-05

Preguntas frecuentes

1

¿Cuál es el repositorio de #model-selection más popular en GitHub?

El proyecto de código abierto de #model-selection 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.

2

¿Qué lenguajes de programación se utilizan más en los repositorios de #model-selection?

Entre los proyectos de #model-selection mejor posicionados en GitHub, los lenguajes de programación más comunes son Jupyter Notebook, Python, JavaScript, Rust.

3

¿Cómo se calcula la clasificación de los repositorios de #model-selection?

Seguimos 12 repositorios activos de código abierto etiquetados con #model-selection (500+ estrellas), que suman un total de 27,154 estrellas, con una media de 2,262 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.