Git Stars Git Stars

#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
Total des Dépôts
70,365
Nombre total d'étoiles
2,706
Moyenne d'Étoiles/Dépôt
1
lightgbm-org/LightGBM

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.

lightgbm-org
⭐ 18,995 C++ 👤 lightgbm-org Organization 🕐 Mis à jour 2026-11-21 📅 Créé 2016-08-05
2
microsoft/ai-edu

Matériel éducatif en IA pour les étudiants, enseignants et professionnels de l'informatique chinois.

microsoft
⭐ 14,041 HTML 👤 microsoft Organization 🕐 Mis à jour 2024-05-16 📅 Créé 2018-11-16
3
microsoft/SynapseML

Bibliothèque Python d'apprentissage automatique simple et distribué portant des algorithmes ML pour Spark

microsoft
⭐ 5,257 Scala 👤 microsoft Organization 🕐 Mis à jour 2026-11-18 📅 Créé 2017-06-05
4
mljar/mljar-supervised

Paquet Python pour AutoML sur des données tabulaires avec ingénierie des caractéristiques, réglage des hyper-paramètres, explications et documentation automatique

mljar
⭐ 3,306 Python 👤 mljar Organization 🕐 Mis à jour 2026-11-05 📅 Créé 2018-11-05
5
BayesWitnesses/m2cgen

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

BayesWitnesses
⭐ 2,944 Python 👤 BayesWitnesses Organization 🕐 Mis à jour 2024-08-03 📅 Créé 2019-01-13
6
TeamHG-Memex/eli5

Une bibliothèque pour déboguer/inspecter les classificateurs d'apprentissage automatique et expliquer leurs prédictions

TeamHG-Memex
⭐ 2,858 Jupyter Notebook 👤 TeamHG-Memex Organization 🕐 Mis à jour 2026-04-08 📅 Créé 2016-09-15
7
mars-project/mars

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.

mars-project
⭐ 2,751 Python 👤 mars-project Organization 🕐 Mis à jour 2024-01-02 📅 Créé 2018-12-05
8
benedekrozemberczki/awesome-decision-tree-papers

Une collection d'articles de recherche sur les arbres de décision, de classification et de régression avec implémentations.

benedekrozemberczki
⭐ 2,480 Python 👤 benedekrozemberczki User 🕐 Mis à jour 2025-12-28 📅 Créé 2019-05-11
9
WillKoehrsen/feature-selector

Le sélecteur de fonctionnalités est un outil pour la réduction de dimensionnalité des ensembles de données d'apprentissage automatique

WillKoehrsen
⭐ 2,237 Jupyter Notebook 👤 WillKoehrsen User 🕐 Mis à jour 2024-06-17 📅 Créé 2018-06-20
10
qusong0627/QuantMind

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.

qusong0627
⭐ 1,951 Python 👤 qusong0627 User 🕐 Mis à jour 2026-11-21 📅 Créé 2026-04-15
11
skforecast/skforecast

Bibliothèque Python pour la prévision de séries temporelles utilisant des modèles compatibles avec scikit-learn, des méthodes statistiques et des modèles fondamentaux

skforecast
⭐ 1,551 Python 👤 skforecast Organization 🕐 Mis à jour 2026-11-21 📅 Créé 2021-02-10
12
Nixtla/mlforecast

Apprentissage automatique 🤖 évolutif pour la prévision de séries temporelles.

Nixtla
⭐ 1,308 Python 👤 Nixtla Organization 🕐 Mis à jour 2026-11-19 📅 Créé 2021-04-26
13
xorbitsai/xorbits

DS & ML Python évolutifs, d'une manière compatible avec les API et ultra-rapide.

xorbitsai
⭐ 1,200 Python 👤 xorbitsai Organization 🕐 Mis à jour 2026-02-14 📅 Créé 2022-07-27
14
elastic/ember

Elastic Malware Benchmark pour Renforcer les Chercheurs

elastic
⭐ 1,110 Jupyter Notebook 👤 elastic Organization 🕐 Mis à jour 2024-11-22 📅 Créé 2018-04-11
15
benedekrozemberczki/awesome-gradient-boosting-papers

Une liste sélectionnée de papiers de recherche sur le gradient boosting avec implémentations.

benedekrozemberczki
⭐ 1,053 Python 👤 benedekrozemberczki User 🕐 Mis à jour 2026-01-05 📅 Créé 2019-05-11
16
SeldonIO/MLServer

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

SeldonIO
⭐ 903 Python 👤 SeldonIO Organization 🕐 Mis à jour 2026-11-20 📅 Créé 2020-06-16
17
mljar/supertree

Impressionnez votre patron avec une visualisation interactive d'arbre de décision

mljar
⭐ 700 JavaScript 👤 mljar Organization 🕐 Mis à jour 2026-08-11 📅 Créé 2024-07-24
18
elastic/eland

Client et Kit d'Outils Python pour DataFrames, Big Data, Machine Learning et ETL dans Elasticsearch

elastic
⭐ 693 Python 👤 elastic Organization 🕐 Mis à jour 2026-06-16 📅 Créé 2019-06-11
19
kossisoroyce/timber

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.

kossisoroyce
⭐ 692 Python 👤 kossisoroyce User 🕐 Mis à jour 2026-04-16 📅 Créé 2026-02-27
20
jerryzrei/Haxe

Une bibliothèque Haxe contenant des structures de données pour les jeux.

jerryzrei
⭐ 684 Jupyter Notebook 👤 jerryzrei User 🕐 Mis à jour 2025-07-20 📅 Créé 2025-07-17
21
motefly/DeepGBM

SIGKDD'2019: DeepGBM : Un cadre d'apprentissage profond distillé par GBDT pour les tâches de prédiction en ligne

motefly
⭐ 658 Python 👤 motefly User 🕐 Mis à jour 2024-07-25 📅 Créé 2019-02-10
22
neptune-ai/neptune-client

📘 Le tracker d'expériences pour l'entraînement des modèles de base

neptune-ai
⭐ 623 Python 👤 neptune-ai Organization 🕐 Mis à jour 2026-03-17 📅 Créé 2019-02-11
23
87owo/PYAS

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.

87owo
⭐ 608 YARA 👤 87owo User 🕐 Mis à jour 2026-11-21 📅 Créé 2021-07-27
24
Western-OC2-Lab/Intrusion-Detection-System-Using-Machine-Learning

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..)

Western-OC2-Lab
⭐ 602 Jupyter Notebook 👤 Western-OC2-Lab Organization 🕐 Mis à jour 2026-04-01 📅 Créé 2021-05-25
25
openscoring/openscoring

Service web REST pour le scoring en temps réel véritable (<1 ms) des modèles Scikit-Learn, R et Apache Spark

openscoring
⭐ 587 Java 👤 openscoring Organization 🕐 Mis à jour 2026-02-02 📅 Créé 2013-04-02
26
cerlymarco/shap-hypetune

Un package Python pour le réglage simultané des hyperparamètres et la sélection des caractéristiques pour les modèles Gradient Boosting.

cerlymarco
⭐ 584 Jupyter Notebook 👤 cerlymarco User 🕐 Mis à jour 2024-06-08 📅 Créé 2021-05-16

Foire aux questions

1

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.

2

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.

3

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.