#hyperparameter-optimization Dépôts
Découvrez 55 dépôts GitHub open source actifs associés à #hyperparameter-optimization, cumulant 247,121 étoiles au total (soit une moyenne de 4,493 étoiles par projet). Le projet en tête de ce thème est ray-project/ray, avec 44,352 étoiles.
55 dépôts au total
Ray est un moteur de calcul IA. Ray est composé d'un runtime distribué central et d'un ensemble de bibliothèques IA pour accélérer les charges de travail ML.
Un guide pour maximiser systématiquement les performances des modèles d'apprentissage profond.
Livre interactif sur l'apprentissage profond avec code multi-frameworks, mathématiques et discussions. Adopté dans 500 universités de 70 pays, dont Stanford, MIT, Harvard et Cambridge.
La plateforme pour les développeurs d'IA. Utilisez Weights & Biases pour entraîner et affiner les modèles, et gérer les modèles de l'expérimentation à la production.
Hydra est un framework pour configurer élégamment des applications complexes
Un outil de Machine Learning Automatisé en Python qui optimise les pipelines de machine learning en utilisant la programmation génétique.
Dans ce notebook, je vais créer un processus complet pour prédire les mouvements des prix des actions. Suivez-moi et nous obtiendrons de bons résultats. Pour cela, nous utiliserons un Réseau Antagoniste Génératif (GAN) avec LSTM, un type de Réseau de Neurones Récurrents, comme générateur, et un Réseau de Neurones Convolutifs, CNN, comme discriminateur. Nous utilisons LSTM pour la raison évidente que nous essayons de prédire des données de séries temporelles. Pourquoi utilisons-nous GAN et plus précisément CNN comme discriminateur ? C'est une bonne q
Notes, devoirs de programmation et quiz de tous les cours de la spécialisation Deep Learning de Coursera proposés par deeplearning.ai : (i) Réseaux neuronaux et Deep Learning ; (ii) Amélioration des réseaux neuronaux profonds : réglage des hyperparamètres, régularisation et optimisation ; (iii) Structuration des projets d'apprentissage automatique ; (iv) Réseaux neuronaux convolutifs ; (v) Modèles de séquence
Une bibliothèque rapide pour AutoML et le réglage. Rejoignez notre Discord : https://discord.gg/Cppx2vSPVP.
Une boîte à outils Python pour effectuer une optimisation sans gradient
Une liste sélectionnée de papiers, articles, tutoriels, diapositives et projets d'apprentissage automatique automatisé
Paquet Python pour AutoML sur des données tabulaires avec ingénierie des caractéristiques, réglage des hyper-paramètres, explications et documentation automatique
Determined est une plateforme open-source d'apprentissage automatique qui simplifie l'entraînement distribué, le réglage des hyperparamètres, le suivi des expériences et la gestion des ressources. Fonctionne avec PyTorch et TensorFlow.
Un framework d'entraînement pour les agents d'apprentissage par renforcement Stable Baselines3, avec optimisation des hyperparamètres et agents pré-entraînés inclus.
Approaching (Almost) Any Machine Learning Problem traduction chinoise, adresse de la documentation en ligne : https://ytzfhqs.github.io/AAAMLP-CN/
Interface de recherche basée sur Python pour l'optimisation de boîtes noires et d'hyperparamètres, basée sur le service interne Google Vizier.
DomainBed est une suite pour tester les algorithmes de généralisation de domaine
Robyn est un package expérimental de modélisation du mix marketing (MMM) open source basé sur l'IA/ML de Meta Marketing Science. Notre mission est de démocratiser les connaissances en modélisation, d'inspirer l'industrie par l'innovation, de réduire les biais humains dans le processus de modélisation et de construire une communauté solide de science du marketing open source.
ShinkaEvolve : Vers une évolution de programmes sans limite et efficace en échantillons 🧬
Optimisation légère avec des techniques locales, globales, basées sur la population et séquentielles à travers des espaces de recherche mixtes
SMAC3 : Un package polyvalent d'optimisation bayésienne pour l'optimisation des hyperparamètres
Projets d'apprentissage profond d'exemple qui utilisent les fonctionnalités de wandb.
Une boîte à outils d'opérations compositionnelles pour l'optimisation bi-niveau basée sur le gradient
HyperView est un laboratoire de stratégies TradingView axé sur le terminal pour télécharger les données de marché, backtester des stratégies Python avec un comportement similaire à Pine, et optimiser les paramètres SL/TP.
La pile complète de post-entraînement pour les LLM, ainsi que du RL pour tout problème. SFT, DPO et RL agentique multi-tours, avec optimisation évolutionnaire des hyperparamètres intégrée.
Curatage d'une liste de recherches, outils, projets et autres ressources liés à l'AutoML
LibKGE - Une bibliothèque d'embeddings de graphes de connaissances pour la recherche reproductible
OCTIS : Comparer les modèles de sujets est simple ! Un package Python pour optimiser et évaluer les modèles de sujets (accepté à la piste de démonstration EACL2021)
Utilisez des algorithmes évolutionnaires au lieu de gridsearch dans scikit-learn
La bibliothèque AutoML la plus propre au monde ✨ - Effectuez l'accordage des hyperparamètres avec les bonnes abstractions de pipeline pour écrire des pipelines de production d'apprentissage profond propres. Laissez les étapes de votre pipeline avoir des espaces d'hyperparamètres. Concevez les étapes de votre pipeline comme des composants. Compatible avec Scikit-Learn, TensorFlow et la plupart des autres bibliothèques, frameworks et environnements MLOps.
Foire aux questions
Quel est le dépôt #hyperparameter-optimization le plus populaire sur GitHub ?
Le projet #hyperparameter-optimization open source le mieux classé sur GitHub est ray-project/ray, avec 44,352 étoiles. Ray est un moteur de calcul IA. Ray est composé d'un runtime distribué central et d'un ensemble de bibliothèques IA pour accélérer les charges de travail ML.
Quels langages de programmation sont les plus utilisés dans les dépôts #hyperparameter-optimization ?
Parmi les projets #hyperparameter-optimization les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, JavaScript, MDX.
Comment le classement des dépôts #hyperparameter-optimization est-il calculé ?
Nous suivons 55 dépôts open source actifs associés à #hyperparameter-optimization (500+ étoiles), totalisant 247,121 étoiles, avec une moyenne de 4,493 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.