#decision-trees Dépôts
Découvrez 14 dépôts GitHub open source actifs associés à #decision-trees, cumulant 58,478 étoiles au total (soit une moyenne de 4,177 étoiles par projet). Le projet en tête de ce thème est lightgbm-org/LightGBM, avec 18,995 étoiles.
14 dépôts au total
Un framework rapide, distribué et haute performance pour le gradient boosting (GBT, GBDT, GBRT, GBM ou MART) basé sur des algorithmes d'arbres de décision, utilisé pour le ranking, la classification et de nombreuses autres tâches d'apprentissage automatique.
Une bibliothèque Gradient Boosting sur arbres de décision rapide, scalable et haute performance, utilisée pour le ranking, la classification, la régression et d'autres tâches d'apprentissage automatique pour Python, R, Java, C++. Prend en charge le calcul sur CPU et GPU.
Contient des solutions et des notes pour la spécialisation en apprentissage automatique de la Stanford University et Deeplearning.ai - Coursera (2022) par le Prof. Andrew NG
Code Python pour les algorithmes courants d'apprentissage automatique
Une bibliothèque Python pour la visualisation des arbres de décision et l'interprétation de modèles.
Une liste sélectionnée des meilleures ressources en Intelligence Artificielle
Format universel d'échange et de sérialisation de modèles pour forêts d'arbres de décision
Impressionnez votre patron avec une visualisation interactive d'arbre de décision
Une collection d'algorithmes à la pointe de la technologie pour l'entraînement, le déploiement et l'interprétation des modèles Decision Forest dans Keras.
Ollama pour les modèles ML classiques. Compilateur AOT qui transforme les modèles XGBoost, LightGBM, scikit-learn, CatBoost et ONNX en code d'inférence natif C99. Une commande pour charger, une commande pour servir. 336x plus rapide que l'inférence Python.
Une bibliothèque pour entraîner, évaluer, interpréter et mettre en production des modèles de forêts de décision tels que Random Forest et Gradient Boosted Decision Trees.
Foire aux questions
Quel est le dépôt #decision-trees le plus populaire sur GitHub ?
Le projet #decision-trees open source le mieux classé sur GitHub est lightgbm-org/LightGBM, avec 18,995 étoiles. Un framework rapide, distribué et haute performance pour le gradient boosting (GBT, GBDT, GBRT, GBM ou MART) basé sur des algorithmes d'arbres de décision, utilisé pour le ranking, la classification et de nombreuses autres tâches d'apprentissage automatique.
Quels langages de programmation sont les plus utilisés dans les dépôts #decision-trees ?
Parmi les projets #decision-trees les mieux classés sur GitHub, les langages de programmation les plus courants sont Jupyter Notebook, C++, Python, JavaScript.
Comment le classement des dépôts #decision-trees est-il calculé ?
Nous suivons 14 dépôts open source actifs associés à #decision-trees (500+ étoiles), totalisant 58,478 étoiles, avec une moyenne de 4,177 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.