#ensemble-learning Dépôts
Découvrez 24 dépôts GitHub open source actifs associés à #ensemble-learning, cumulant 48,495 étoiles au total (soit une moyenne de 2,020 étoiles par projet). Le projet en tête de ce thème est autogluon/autogluon, avec 10,843 étoiles.
24 dépôts au total
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.
Je suis convaincu que vous, les étudiants diplômés et les chercheurs d'emploi pour qui ce livre est principalement destiné, en bénéficierez ; cependant, j'espère que même les chercheurs les plus expérimentés le trouveront fascinant également.
Merlion : Un cadre d'apprentissage automatique pour l'intelligence des séries chronologiques
Une collection d'articles de recherche sur les arbres de décision, de classification et de régression avec implémentations.
😎 Tout sur l'apprentissage déséquilibré/à longue traîne des classes : articles, codes, frameworks et bibliothèques | Tout sur l'apprentissage par déséquilibre de classes / à longue traîne : articles, codes, frameworks et bibliothèques
Un framework d'ensemble unifié pour PyTorch pour améliorer les performances et la robustesse de votre modèle d'apprentissage profond.
Une base de code et une liste organisée d'apprentissage profond "longue traîne" impressionnant (TPAMI 2023).
Implémentation officielle de "ADBench: Anomaly Detection Benchmark", NeurIPS 2022.
Un cadre d'ensemble multi-générateurs pour la conversion du langage naturel en SQL
Un framework Python efficace, évolutif et optimisé pour Deep Forest (2021.2.1)
Une collection de méthodes de détection d'anomalies (iid/basées sur des points, graphe et séries temporelles) incluant l'apprentissage actif pour la détection/découverte d'anomalies, l'extraction de règles bayésiennes, description pour la diversité/explication/interprétabilité. Analyse de l'incorporation de retours d'étiquettes avec des détecteurs basés sur ensemble et arbre. Inclut des attaques adverses avec Graph Convolutional Network.
Format universel d'échange et de sérialisation de modèles pour forêts d'arbres de décision
Fusion de Modèles dans les LLMs, MLLMs et au-delà : Méthodes, Théories, Applications et Opportunités. ACM Computing Surveys, 2026.
Répertoire de nos articles : Modèle du Monde Robotique : Un simulateur de réseau neuronal pour l'optimisation robuste des politiques en robotique et un Modèle du Monde Robotique conscient de l'incertitude permet au renforcement par apprentissage basé sur modèle hors ligne de fonctionner sur des robots réels
Base de code officielle pour « Neural Thickets : Diverse Task Experts Are Dense Around Pretrained Weights » (ICML 2026 Spotlight)
(AAAI' 20) Une boîte à outils Python pour la combinaison de modèles d'apprentissage automatique
Code pour IDS-ML : développement de systèmes de détection d'intrusion utilisant des algorithmes d'apprentissage automatique (Arbre de décision, forêt aléatoire, arbres supplémentaires, XGBoost, empilement, k-means, optimisation bayésienne..)
Une bibliothèque Python pour la sélection dynamique de classificateurs et d'ensembles
Foire aux questions
Quel est le dépôt #ensemble-learning le plus populaire sur GitHub ?
Le projet #ensemble-learning open source le mieux classé sur GitHub est autogluon/autogluon, avec 10,843 étoiles. ML rapide et précis en 3 lignes de code
Quels langages de programmation sont les plus utilisés dans les dépôts #ensemble-learning ?
Parmi les projets #ensemble-learning les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, C++, Julia.
Comment le classement des dépôts #ensemble-learning est-il calculé ?
Nous suivons 24 dépôts open source actifs associés à #ensemble-learning (500+ étoiles), totalisant 48,495 étoiles, avec une moyenne de 2,020 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.