#automl Dépôts
Découvrez 64 dépôts GitHub open source actifs associés à #automl, cumulant 195,817 étoiles au total (soit une moyenne de 3,059 étoiles par projet). Le projet en tête de ce thème est lukasmasuch/best-of-ml-python, avec 23,877 étoiles.
64 dépôts au total
Une liste classée d'incroyables bibliothèques Python pour le machine learning. Mise à jour chaque semaine.
Un outil de Machine Learning Automatisé en Python qui optimise les pipelines de machine learning en utilisant la programmation génétique.
Plateforme AutoML open-source low-code pour Python. PyCaret 4.0 : moteur natif sklearn + plan de contrôle React.
Une bibliothèque Python open source pour l'ingénierie de fonctionnalités automatisée
H2O est une Plateforme d'Apprentissage Automatique Open Source, Distribuée, Rapide et Évolutive : Deep Learning, Gradient Boosting (GBM) & XGBoost, Random Forest, Generalized Linear Modeling (GLM avec Elastic Net), K-Means, PCA, Generalized Additive Models (GAM), RuleFit, Support Vector Machine (SVM), Stacked Ensembles, Automatic Machine Learning (AutoML), etc.
cube studio Plateforme IA Open-Source Cloud Native Tout-en-un pour Machine Learning/Deep Learning/Grands Modèles, Flux complet du pipeline d'algorithmes MLOps, Plateforme de location de puissance de calcul, Développement en ligne Notebook, Orchestration de pipeline de flux de tâches par glisser-déposer, Entraînement distribué multi-machines multi-GPU, Recherche d'hyperparamètres, Virtualisation VGPU du service d'inférence, Edge Computing, Annotation automatisée de la plateforme d'annotation, Ajustement fin SFT de grands modèles/Modèle de récompense/Entraînement par apprentissage par renforcement de Deepseek, Inférence multi-machines de grands modèles tels que vLLM/Ollama/MindSpore, Base de connaissances privée, Marché de modèles IA, Support pour l'écosystème CPU/GPU/NPU Ascend domestiques, Support RDMA, Support pour les frameworks distribués tels que PyTorch/TF/MXNet/DeepSpeed/Paddle/ColossalAI/Horovod/Ray/Volcano
Merlion : Un cadre d'apprentissage automatique pour l'intelligence des séries chronologiques
Une bibliothèque rapide pour AutoML et le réglage. Rejoignez notre Discord : https://discord.gg/Cppx2vSPVP.
Une liste sélectionnée de papiers, articles, tutoriels, diapositives et projets d'apprentissage automatique automatisé
Boîte à outils AutoML pour Python permettant de comparer des modèles de classification, de régression et de prévision de séries temporelles, avec accélération GPU, suivi MLflow et prétraitement automatisé.
Paquet Python pour AutoML sur des données tabulaires avec ingénierie des caractéristiques, réglage des hyper-paramètres, explications et documentation automatique
un outil d'apprentissage automatique exceptionnel qui vous permet d'entraîner, de tester et d'utiliser des modèles sans écrire de code
CubeStudio est une plateforme open source cloud-native tout-en-un pour l'apprentissage automatique/l'apprentissage profond/les grands modèles d'IA/MaaS/MLOps/plateforme d'intelligence artificielle/plateforme d'entraînement et d'inférence, couvrant le pipeline complet des algorithmes, la multi-location, la plateforme de location de puissance de calcul, le relais de tokens, l'orchestration de pipelines de flux de travail par glisser-déposer, l'entraînement distribué multi-machine multi-carte, la recherche d'hyperparamètres, les services d'inférence, la virtualisation VGPU, la collaboration cloud-edge-device, le calcul en périphérie, la plateforme d'annotation automatisée, le fine-tuning SFT/le modèle de récompense/l'entraînement par apprentissage par renforcement pour les grands modèles comme DeepSeek, l'inférence multi-machine pour les grands modèles avec vLLM/Ollama/MindIE, les agents intelligents LLMOps avec base de connaissances privée, le marché de modèles d'IA, le support pour l'ordonnancement de puissance de calcul hétérogène nationale (Ascend, Cambricon, Hygon, Moore Threads, Muxi, etc.), le support pour IB/RoCE/RDMA et le support Xinchuang.
Recherche automatique d'architecture et optimisation des hyperparamètres pour PyTorch
Un service de classement personnalisé par apprentissage automatique à faible code pour les articles, les annonces, les résultats de recherche, les recommandations qui stimule l'engagement des utilisateurs. Un moteur Learn-to-Rank convivial
Framework d'implémentation Python ouvert de Chanlun, prend en charge les calculs d'analyse des points d'achat/vente morphologiques/dynamiques, la combinaison de courbes K multi-niveaux, la stratégie d'encartement, le tracé visuel, divers accès aux données, le développement de stratégies, la connexion au système de trading ;
TransmogrifAI (prononcé trăns-mŏgˈrə-fī) est une bibliothèque AutoML permettant de créer des flux de travail d'apprentissage automatique modulaires, réutilisables et fortement typés sur Apache Spark avec un réglage manuel minimal.
Exemples de code Java et Kotlin utilisés sur cloud.google.com
Visualisez automatiquement n'importe quel jeu de données, de n'importe quelle taille, avec une seule ligne de code. Créé par Ram Seshadri. Collaborateurs bienvenus. Autorisation accordée sur demande.
AVERTISSEMENT : le projet Katib est OBSOLÈTE. Les utilisateurs doivent migrer vers OptimizationJob et Kubeflow Trainer.
Framework rapide et personnalisable pour la création automatique de modèles ML (AutoML)
ModelFox facilite l'entraînement, le déploiement et la surveillance des modèles d'apprentissage automatique.
[ICLR 2019] ProxylessNAS : Recherche directe d'architecture neuronale sur la tâche cible et le matériel
Créez, entraînez, optimisez et exécutez des modèles de vision par ordinateur en local, des images brutes à l’inférence en temps réel. Open source, optimisé pour Intel® XPU (CUDA est également pris en charge).
[pip install medmnist] 18 jeux de données standardisés pour la classification d'images biomédicales 2D et 3D
SMAC3 : Un package polyvalent d'optimisation bayésienne pour l'optimisation des hyperparamètres
Un framework et une boîte à outils AutoML pour l'apprentissage automatique sur les graphes.
Apprentissage rapide et simple de la structure de réseau profond sous contrainte de ressources
Curatage d'une liste de recherches, outils, projets et autres ressources liés à l'AutoML
Luminaire est un package Python qui fournit des solutions pilotées par ML pour la surveillance des données de séries chronologiques.
Carnets d'adresses, exemples de code, applications d'exemple et autres ressources qui montrent comment utiliser, développer et gérer des flux de travail d'apprentissage automatique et d'IA générative à l'aide de Vertex AI de Google Cloud.
Construisez automatiquement des modèles ARIMA, SARIMAX, VAR, FB Prophet et XGBoost sur des ensembles de données de séries chronologiques avec une seule ligne de code. Créé par Ram Seshadri. Collaborateurs bienvenus.
Foire aux questions
Quel est le dépôt #automl le plus populaire sur GitHub ?
Le projet #automl open source le mieux classé sur GitHub est lukasmasuch/best-of-ml-python, avec 23,877 étoiles. Une liste classée d'incroyables bibliothèques Python pour le machine learning. Mise à jour chaque semaine.
Quels langages de programmation sont les plus utilisés dans les dépôts #automl ?
Parmi les projets #automl les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, Scala, Java.
Comment le classement des dépôts #automl est-il calculé ?
Nous suivons 64 dépôts open source actifs associés à #automl (500+ étoiles), totalisant 195,817 étoiles, avec une moyenne de 3,059 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.