Git Stars Git Stars

#xgboost Dépôts

Découvrez 34 dépôts GitHub open source actifs associés à #xgboost, cumulant 80,652 étoiles au total (soit une moyenne de 2,372 étoiles par projet). Le projet en tête de ce thème est dmlc/xgboost, avec 29,010 étoiles.

34
Total des Dépôts
80,652
Nombre total d'étoiles
2,372
Moyenne d'Étoiles/Dépôt
1
dmlc/xgboost

Bibliothèque de Gradient Boosting (GBDT, GBRT ou GBM) évolutive, portable et distribuée, pour Python, R, Java, Scala, C et plus. Fonctionne sur une seule machine, Hadoop, Spark, Dask, Flink et DataFlow.

dmlc
⭐ 29,010 C++ 👤 dmlc Organization 🕐 Mis à jour 2026-11-19 📅 Créé 2014-02-06
2
kserve/kserve

Plateforme d'inférence IA générative et prédictive distribuée standardisée pour un déploiement scalable et multi-framework sur Kubernetes

kserve
⭐ 6,253 Go 👤 kserve Organization 🕐 Mis à jour 2026-11-20 📅 Créé 2019-03-27
3
alibaba/Alink

Alink est la plateforme d'algorithmes d'apprentissage automatique basée sur Flink, développée par l'équipe PAI de la plateforme de calcul Alibaba.

alibaba
⭐ 3,625 Java 👤 alibaba Organization 🕐 Mis à jour 2024-06-07 📅 Créé 2018-09-30
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
parrt/dtreeviz

Une bibliothèque Python pour la visualisation des arbres de décision et l'interprétation de modèles.

parrt
⭐ 3,161 Jupyter Notebook 👤 parrt User 🕐 Mis à jour 2026-01-02 📅 Créé 2018-08-13
6
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
7
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
8
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
9
jolibrain/deepdetect

Serveur d'apprentissage profond et CLI pour Torch et TensorRT

jolibrain
⭐ 2,549 C++ 👤 jolibrain Organization 🕐 Mis à jour 2026-11-17 📅 Créé 2015-05-22
10
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
11
kubeflow/trainer

Entraînement distribué de modèles AI et réglage fin LLM sur Kubernetes

kubeflow
⭐ 2,287 Go 👤 kubeflow Organization 🕐 Mis à jour 2026-11-21 📅 Créé 2017-06-28
12
AutoViML/AutoViz

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.

AutoViML
⭐ 1,870 Python 👤 AutoViML User 🕐 Mis à jour 2024-06-10 📅 Créé 2019-07-17
13
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
14
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
15
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
16
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
17
NVIDIA/NVFlare

Environnement d'exécution d'application d'apprentissage fédéré NVIDIA

NVIDIA
⭐ 1,017 Python 👤 NVIDIA Organization 🕐 Mis à jour 2026-11-21 📅 Créé 2021-07-23
18
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
19
Tejas-TA/predikit

Le lien manquant entre vos modèles de machine learning et vos agents d’IA.

Tejas-TA
⭐ 840 Python 👤 Tejas-TA User 🕐 Mis à jour 2026-10-28 📅 Créé 2026-05-25
20
apachecn/ml-mastery-zh

:book: [Trad.] MachineLearningMastery article de blog

apachecn
⭐ 786 JavaScript 👤 apachecn Organization 🕐 Mis à jour 2025-02-19 📅 Créé 2019-03-25
21
StatMixedML/XGBoostLSS

Une extension de XGBoost à la modélisation probabiliste

StatMixedML
⭐ 738 Python 👤 StatMixedML User 🕐 Mis à jour 2026-10-02 📅 Créé 2019-06-16
22
abhishekkrthakur
⭐ 728 Python 👤 abhishekkrthakur User 🕐 Mis à jour 2024-09-14 📅 Créé 2021-10-26
23
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
24
yandex/rep

Boîte à outils d'apprentissage automatique pour les humains

yandex
⭐ 698 Jupyter Notebook 👤 yandex Organization 🕐 Mis à jour 2024-07-31 📅 Créé 2015-04-13
25
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
26
AutoViML/featurewiz

Utilisez des stratégies avancées d'ingénierie des fonctionnalités et sélectionnez les meilleures fonctionnalités de votre jeu de données en une seule ligne de code. Créé par Ram Seshadri. Collaborateurs bienvenus.

AutoViML
⭐ 677 Python 👤 AutoViML User 🕐 Mis à jour 2025-02-19 📅 Créé 2020-11-29
27
Ekeany/Boruta-Shap

Un outil de sélection de caractéristiques basé sur des arbres qui combine à la fois l'algorithme de sélection de caractéristiques Boruta et les valeurs Shapley.

Ekeany
⭐ 641 Python 👤 Ekeany User 🕐 Mis à jour 2024-02-19 📅 Créé 2020-04-13
28
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
29
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
30
whyzhow/Kaggle-NeurIPS---Open-Polymer-Prediction-2025-Silver-Algorithm-Overview

Une implémentation améliorée et reproductible d'une solution de prédiction de polymères open-source NeurIPS Kaggle Médaille d'Argent, avec canonicalisation SMILES, descripteurs moléculaires, modèles CatBoost/XGBoost, stacking OOF, et GNN PyTorch Geometric optionnels.

whyzhow
⭐ 591 Python 👤 whyzhow User 🕐 Mis à jour 2026-02-28 📅 Créé 2026-02-13
31
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
32
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
33
hyperactive-project/Hyperactive

Une interface unifiée pour les algorithmes d'optimisation et les expériences

hyperactive-project
⭐ 551 Python 👤 hyperactive-project Organization 🕐 Mis à jour 2026-11-02 📅 Créé 2018-11-01
34
AutoViML/Auto_ViML

Construisez automatiquement plusieurs modèles ML avec une seule ligne de code. Créé par Ram Seshadri. Collaborateurs bienvenus. Autorisation accordée sur demande.

AutoViML
⭐ 547 Python 👤 AutoViML User 🕐 Mis à jour 2025-01-30 📅 Créé 2019-06-10

Foire aux questions

1

Quel est le dépôt #xgboost le plus populaire sur GitHub ?

Le projet #xgboost open source le mieux classé sur GitHub est dmlc/xgboost, avec 29,010 étoiles. Bibliothèque de Gradient Boosting (GBDT, GBRT ou GBM) évolutive, portable et distribuée, pour Python, R, Java, Scala, C et plus. Fonctionne sur une seule machine, Hadoop, Spark, Dask, Flink et DataFlow.

2

Quels langages de programmation sont les plus utilisés dans les dépôts #xgboost ?

Parmi les projets #xgboost les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, C++, Go.

3

Comment le classement des dépôts #xgboost est-il calculé ?

Nous suivons 34 dépôts open source actifs associés à #xgboost (500+ étoiles), totalisant 80,652 étoiles, avec une moyenne de 2,372 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.