#random-forest Dépôts
Découvrez 26 dépôts GitHub open source actifs associés à #random-forest, cumulant 57,940 étoiles au total (soit une moyenne de 2,228 étoiles par projet). Le projet en tête de ce thème est EpistasisLab/tpot, avec 10,051 étoiles.
26 dépôts au total
Un outil de Machine Learning Automatisé en Python qui optimise les pipelines de machine learning en utilisant la programmation génétique.
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.
Code Python pour les algorithmes courants d'apprentissage automatique
Une bibliothèque rapide pour AutoML et le réglage. Rejoignez notre Discord : https://discord.gg/Cppx2vSPVP.
Paquet Python pour AutoML sur des données tabulaires avec ingénierie des caractéristiques, réglage des hyper-paramètres, explications et documentation automatique
Une bibliothèque Python pour la visualisation des arbres de décision et l'interprétation de modèles.
Une collection d'articles de recherche sur les arbres de décision, de classification et de régression avec implémentations.
Une liste curated de papiers de data mining sur la détection de fraudes.
Une liste sélectionnée des meilleures ressources en Intelligence Artificielle
SMAC3 : Un package polyvalent d'optimisation bayésienne pour l'optimisation des hyperparamètres
Une liste sélectionnée de papiers de recherche sur le gradient boosting avec implémentations.
Un framework Python efficace, évolutif et optimisé pour Deep Forest (2021.2.1)
Moteur d'inférence Machine Learning pour Microcontrôleurs et Dispositifs Embarqués
Impressionnez votre patron avec une visualisation interactive d'arbre de décision
Une collection d'algorithmes à la pointe de la technologie pour l'entraînement, le déploiement et l'interprétation des modèles Decision Forest dans Keras.
Une bibliothèque pour entraîner, évaluer, interpréter et mettre en production des modèles de forêts de décision tels que Random Forest et Gradient Boosted Decision Trees.
Code pour calculer les importances de permutation et de suppression de colonnes dans les modèles Python scikit-learn
ProphitBet est une application de prédiction des paris sur le football basée sur l’apprentissage automatique. Elle analyse la forme des équipes, calcule les statistiques des matchs et en prédit les résultats à l’aide de méthodes avancées d’apprentissage automatique (ML). Elle propose également des agents de paris basés sur l’apprentissage par renforcement profond (DRL), capables d’apprendre des stratégies de pari optimales.
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..)
Compendium de ressources gratuites de lecture en apprentissage automatique
🌲 Implémentation de l'algorithme Robust Random Cut Forest pour la détection d'anomalies sur les flux
Foire aux questions
Quel est le dépôt #random-forest le plus populaire sur GitHub ?
Le projet #random-forest 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 #random-forest ?
Parmi les projets #random-forest les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, C++, JavaScript.
Comment le classement des dépôts #random-forest est-il calculé ?
Nous suivons 26 dépôts open source actifs associés à #random-forest (500+ étoiles), totalisant 57,940 étoiles, avec une moyenne de 2,228 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.