#feature-engineering Dépôts
Découvrez 56 dépôts GitHub open source actifs associés à #feature-engineering, cumulant 95,158 étoiles au total (soit une moyenne de 1,699 étoiles par projet). Le projet en tête de ce thème est EpistasisLab/tpot, avec 10,051 étoiles.
56 dépôts au total
Un outil de Machine Learning Automatisé en Python qui optimise les pipelines de machine learning en utilisant la programmation génétique.
Une bibliothèque Python open source pour l'ingénierie de fonctionnalités automatisée
Alink est la plateforme d'algorithmes d'apprentissage automatique basée sur Flink, développée par l'équipe PAI de la plateforme de calcul Alibaba.
IA et apprentissage automatique avec Kubeflow, Amazon EKS et SageMaker
Paquet Python pour AutoML sur des données tabulaires avec ingénierie des caractéristiques, réglage des hyper-paramètres, explications et documentation automatique
Livre_6_"La Voie des Données" | Le livre Iris : De l'addition, la soustraction, la multiplication et la division au machine learning ; nous vous invitons à critiquer et corriger ! Les étudiants qui corrigeront le plus d'erreurs recevront un exemplaire du livre en remerciement !
Apache Hamilton aide les scientifiques des données et les ingénieurs à définir des dataflows testables, modulaires et auto-documentants, qui encodent la lignée/le traçage et les métadonnées. S'exécute et s'adapte partout où python le fait.
Une bibliothèque d'encodeurs de variables catégorielles compatibles avec sklearn
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
Bibliothèque Python open-source de préparation et de sélection de caractéristiques compatible avec sklearn.
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.
Approaching (Almost) Any Machine Learning Problem traduction chinoise, adresse de la documentation en ligne : https://ytzfhqs.github.io/AAAMLP-CN/
Le Virtual Feature Store. Transformez votre infrastructure de données existante en un magasin de fonctionnalités.
Feathr – Une plateforme unifiée et évolutive d'ingénierie de données et d'IA pour l'entreprise
Trading Bot Intelligent : Génération automatique de signaux et trading basé sur l'apprentissage automatique et l'ingénierie des caractéristiques
OpenMLDB est une base de données open-source de machine learning qui fournit une plateforme de fonctionnalités pour le calcul de fonctionnalités cohérentes pour l'entraînement et l'inférence.
Les actions en deep learning et en machine learning représentent des opportunités prometteuses pour les investisseurs et les traders à long et court terme.
Apprentissage automatique de séries temporelles à grande échelle. Construit avec Polars pour une extraction de caractéristiques et des prévisions sur des données de panel, facilement parallélisables.
NVTabular est une bibliothèque d'ingénierie et de prétraitement de caractéristiques pour les données tabulaires, conçue pour manipuler rapidement et facilement des jeux de données à l'échelle du téraoctet utilisés pour entraîner des systèmes de recommandation basés sur l'apprentissage profond.
Une liste organisée de vidéos, liens, projets et jeux de données d'apprentissage automatique pour vous aider à conquérir le paysage de la ML en 6 mois.
PMLB : Un grand dépôt curaté de jeux de données de référence pour évaluer les algorithmes d'apprentissage automatique supervisé.
L'ingénierie des caractéristiques est le processus d'utilisation des connaissances du domaine pour extraire des caractéristiques des données brutes via des techniques de fouille de données. Ces caractéristiques peuvent être utilisées pour améliorer les performances des algorithmes d'apprentissage automatique. L'ingénierie des caractéristiques peut être considérée comme l'apprentissage automatique appliqué lui-même.
BharatMLStack est une pile d'infrastructure d'apprentissage automatique open-source de bout en bout construite chez Meesho pour prendre en charge les charges de travail ML en temps réel et par lots à l'échelle de Bharat
Temporian est une bibliothèque Python open-source pour le prétraitement ⚡ et l'ingénierie des caractéristiques 🛠 de données temporelles 📈 pour les applications d'apprentissage automatique 🤖
Planification quotidienne des tâches, entièrement gratuite, pratique et rapide
Cours d'apprentissage automatique sans serveur pour la création de services de prédiction basés sur l'IA à partir de modèles et de fonctionnalités
Utilisez des stratégies avancées d'ingénierie des fonctionnalités et sélectionnez les meilleures fonctionnalités de votre jeu de données en une seule ligne de code. Créé par Ram Seshadri. Collaborateurs bienvenus.
Extension Polars pour les cas d'utilisation généraux de la science des données
Ensemble de données synthétiques haute fidélité capturant les métriques de productivité des développeurs d'IA — y compris les heures de concentration, les taux d'achèvement des tâches et les indicateurs d'épuisement professionnel. Sécurisé pour la confidentialité, idéal pour l'analyse ML et de flux de travail.
Cycle de vie complet d'un projet de science des données
Implémentation/Tutoriel de l'utilisation des méthodes d'apprentissage automatique automatisé (AutoML) pour l'apprentissage statique/par lots et l'apprentissage en ligne/continu
Étapes pipeables pour l'ingénierie des caractéristiques et le prétraitement des données pour préparer la modélisation
Foire aux questions
Quel est le dépôt #feature-engineering le plus populaire sur GitHub ?
Le projet #feature-engineering open source le mieux classé sur GitHub est EpistasisLab/tpot, avec 10,051 étoiles. Un outil de Machine Learning Automatisé en Python qui optimise les pipelines de machine learning en utilisant la programmation génétique.
Quels langages de programmation sont les plus utilisés dans les dépôts #feature-engineering ?
Parmi les projets #feature-engineering les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, Scala, Java.
Comment le classement des dépôts #feature-engineering est-il calculé ?
Nous suivons 56 dépôts open source actifs associés à #feature-engineering (500+ étoiles), totalisant 95,158 étoiles, avec une moyenne de 1,699 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.