#scikit-learn Dépôts
137 dépôts au total
PMLB : Un grand dépôt curaté de jeux de données de référence pour évaluer les algorithmes d'apprentissage automatique supervisé.
Collection de codes et extraits utiles d'apprentissage automatique (initialement destinés à mon usage personnel)
Détection d'Activités Localisées Spatio-Temporellement en Temps Réel par Suivi des Points Clés du Corps
L'ingénierie des caractéristiques est le processus d'utilisation des connaissances du domaine pour extraire des caractéristiques des données brutes via des techniques de fouille de données. Ces caractéristiques peuvent être utilisées pour améliorer les performances des algorithmes d'apprentissage automatique. L'ingénierie des caractéristiques peut être considérée comme l'apprentissage automatique appliqué lui-même.
Toutes les réponses aux exercices de Advances in Financial Machine Learning par Dr Marco Lopez de Parodo.
Moteur d'inférence Machine Learning pour Microcontrôleurs et Dispositifs Embarqués
Utilisez des algorithmes évolutionnaires au lieu de gridsearch dans scikit-learn
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
Suivez votre Data Science. La bibliothèque Python open-source de Skore accélère le développement de modèles ML grâce à des rapports d’évaluation automatisés, des conseils méthodologiques intelligents et une analyse exhaustive de la validation croisée.
Guide d'apprentissage automatique. Tout savoir sur les outils, bibliothèques, frameworks d'apprentissage automatique, les grands modèles linguistiques (LLM) et les modèles d'entraînement.
Une bibliothèque Python rapide et robuste pour vérifier le langage offensant dans les chaînes.
Code pour calculer les importances de permutation et de suppression de colonnes dans les modèles Python 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.
DÉPRÉCIÉ, maintenant dans sktime - package compagnon pour l'apprentissage profond basé sur TensorFlow
Service web REST pour le scoring en temps réel véritable (<1 ms) des modèles Scikit-Learn, R et Apache Spark
Ce dépôt contient tout ce dont vous avez besoin pour devenir compétent en apprentissage automatique
SciKit-Learn Laboratory (SKLL) facilite l'exécution d'expériences d'apprentissage automatique.
Une interface unifiée pour les algorithmes d'optimisation et les expériences
Construisez automatiquement plusieurs modèles ML avec une seule ligne de code. Créé par Ram Seshadri. Collaborateurs bienvenus. Autorisation accordée sur demande.
Toutes les figures et les notebooks de mon livre sur l'apprentissage profond, gratuits !
Bibliothèque Java et application en ligne de commande pour convertir les pipelines Scikit-Learn en PMML
skops est une bibliothèque Python qui vous aide à partager vos modèles basés sur scikit-learn et à les mettre en production.