#scikit-learn Dépôts
137 dépôts au total
Algorithmes ML 2-2000x plus rapides, 50 % d'utilisation de mémoire en moins, fonctionne sur tout le matériel - neuf et ancien.
Maîtrisez les compétences essentielles nécessaires pour reconnaître et résoudre des problèmes complexes du monde réel avec l'apprentissage automatique et l'apprentissage profond en tirant parti de l'écosystème Python Machine Learning très populaire.
Bibliothèque Python open-source de préparation et de sélection de caractéristiques compatible avec sklearn.
Une série de notebooks Jupyter qui vous guident à travers les bases de l'apprentissage automatique et de l'apprentissage profond en Python en utilisant les bibliothèques Scikit-Learn, PyTorch et Hugging Face.
Le sélecteur de fonctionnalités est un outil pour la réduction de dimensionnalité des ensembles de données d'apprentissage automatique
Visualisez automatiquement n'importe quel jeu de données, de n'importe quelle taille, avec une seule ligne de code. Créé par Ram Seshadri. Collaborateurs bienvenus. Autorisation accordée sur demande.
AVERTISSEMENT : le projet Katib est OBSOLÈTE. Les utilisateurs doivent migrer vers OptimizationJob et Kubeflow Trainer.
Paquet ML interprétable 🔍 pour une modélisation prédictive concise, transparente et précise (compatible avec sklearn).
Bibliothèque Python pour la prévision de séries temporelles utilisant des modèles compatibles avec scikit-learn, des méthodes statistiques et des modèles fondamentaux
Portfolio de projets de science des données réalisés par moi à des fins académiques, d'auto-apprentissage et de loisirs.
:crown: Analyse exploratoire multivariée des données en Python — PCA, CA, MCA, MFA, FAMD, GPA
Une boîte à outils pour l'apprentissage automatique et l'apprentissage profond des séries chronologiques
Concrete ML : Framework ML axé sur la préservation de la confidentialité utilisant le chiffrement entièrement homomorphe (FHE), construit sur Concrete, avec des liaisons vers des frameworks ML traditionnels.
Package Python MLOps conçu pour la production et implémentation de référence du cours de programmation MLOps : MLflow, scikit-learn, Pydantic, Pandera, uv et mise.
Apprentissage pratique de l'analyse de données axé sur les projets, les points de connaissance étant intégrés et permettant d'obtenir de meilleurs résultats d'apprentissage par l'apprentissage, la pratique et le guidage
L'extension pour Scikit-learn est une façon fluide d'accélérer votre application Scikit-learn.
Projets d'apprentissage automatique à petite échelle pour comprendre les concepts de base. Donnez une Étoile 🌟 si cela vous aide. BONUS : Banque d'Entrevistas à venir..!
Transpilez les estimateurs et transformateurs scikit-learn entraînés en C, C#, Go, Java, JavaScript, PHP et Ruby.
Implémentations en Python des algorithmes de clustering k-modes et k-prototypes, pour le clustering de données catégorielles
Projets d'apprentissage profond d'exemple qui utilisent les fonctionnalités de wandb.
Apprentissage automatique, statistiques et fouille de données pour l'astronomie et l'astrophysique
Bibliothèque d’extraction de caractéristiques de séries temporelles (TSFEL) : plus de 60 caractéristiques statistiques, temporelles, spectrales et fractales pour la classification et la régression de séries temporelles, ainsi que le traitement du signal en Python
Compilation de codes de programmation R et Python sur la chaîne YouTube Data Professor.
Notes et solutions d'exercices de la Partie I du livre : "Hands-On ML with Scikit-Learn, Keras & TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems" par Aurelien Geron
Une boîte à outils d'apprentissage automatique topologique haute performance en Python
Un module basé sur scikit-learn pour la classification multi-label et. al.
Un cours d'apprentissage automatique utilisant Python, Jupyter Notebooks et OpenML
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
Validateurs croisés de scikit-learn pour la stratification itérative de données multilabel