#lightgbm Dépôts
Découvrez 26 dépôts GitHub open source actifs associés à #lightgbm, cumulant 70,365 étoiles au total (soit une moyenne de 2,706 étoiles par projet). Le projet en tête de ce thème est lightgbm-org/LightGBM, avec 18,995 étoiles.
26 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.
Matériel éducatif en IA pour les étudiants, enseignants et professionnels de l'informatique chinois.
Bibliothèque Python d'apprentissage automatique simple et distribué portant des algorithmes ML pour Spark
Paquet Python pour AutoML sur des données tabulaires avec ingénierie des caractéristiques, réglage des hyper-paramètres, explications et documentation automatique
Transformez les modèles ML en code natif (Java, C, Python, Go, JavaScript, Visual Basic, C#, R, PowerShell, PHP, Dart, Haskell, Ruby, F#, Rust) sans dépendances
Une bibliothèque pour déboguer/inspecter les classificateurs d'apprentissage automatique et expliquer leurs prédictions
Mars est un cadre unifié basé sur les tenseurs pour le calcul de données à grande échelle qui met à l'échelle numpy, pandas, scikit-learn et les fonctions Python.
Une collection d'articles de recherche sur les arbres de décision, de classification et de régression avec implémentations.
Le sélecteur de fonctionnalités est un outil pour la réduction de dimensionnalité des ensembles de données d'apprentissage automatique
L’édition open source de QuantMind (Cerveau quantitatif) est une plateforme de trading quantitatif multi-marchés, native de l’IA, destinée aux développeurs individuels et aux équipes de recherche et d’investissement. Elle intègre étroitement Microsoft Qlib, l’évolution des facteurs de RD-Agent et l’espace de travail tout-en-un QuantBot, offrant une boucle complète allant de l’extraction de plus de 300 dimensions de facteurs, d’une fabrique de modèles comprenant 13 modèles d’apprentissage automatique et profond, du backtesting haute performance de Qlib, de l’inférence transversale par lots et de l’analyse en temps réel du sentiment de l’opinion publique 24 h/24 et 7 j/7, jusqu’à l’intégration avancée avec TongdaXin (notifications sectorielles, radar d’alertes et passage d’ordres éclair) ainsi qu’au trading réel et simulé. La plateforme prend en charge les actions A, les actions de Hong Kong, les actions américaines, les contrats à terme et la blockchain. Elle est utilisable gratuitement à des fins commerciales et peut être déployée en privé en un clic avec Docker Compose. Les données et les modèles sont entièrement conservés en local afin de protéger la confidentialité des stratégies, et toutes les fonctionnalités sont accessibles sans prérequis ni restrictions.
Bibliothèque Python pour la prévision de séries temporelles utilisant des modèles compatibles avec scikit-learn, des méthodes statistiques et des modèles fondamentaux
DS & ML Python évolutifs, d'une manière compatible avec les API et ultra-rapide.
Une liste sélectionnée de papiers de recherche sur le gradient boosting avec implémentations.
Un serveur d'inférence pour vos modèles d'apprentissage automatique, incluant la prise en charge de plusieurs frameworks, le service multi-modèles et plus encore
Impressionnez votre patron avec une visualisation interactive d'arbre de décision
Client et Kit d'Outils Python pour DataFrames, Big Data, Machine Learning et ETL dans Elasticsearch
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.
SIGKDD'2019: DeepGBM : Un cadre d'apprentissage profond distillé par GBDT pour les tâches de prédiction en ligne
Une plateforme hybride de sécurité des terminaux Windows, alimentée par l’apprentissage automatique, des règles YARA, l’analyse cloud et une protection comportementale au niveau du noyau.
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..)
Service web REST pour le scoring en temps réel véritable (<1 ms) des modèles Scikit-Learn, R et Apache Spark
Un package Python pour le réglage simultané des hyperparamètres et la sélection des caractéristiques pour les modèles Gradient Boosting.
Foire aux questions
Quel est le dépôt #lightgbm le plus populaire sur GitHub ?
Le projet #lightgbm 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 #lightgbm ?
Parmi les projets #lightgbm les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, C++, HTML.
Comment le classement des dépôts #lightgbm est-il calculé ?
Nous suivons 26 dépôts open source actifs associés à #lightgbm (500+ étoiles), totalisant 70,365 étoiles, avec une moyenne de 2,706 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.