#data-mining Repository
Scopri 81 repository GitHub open source attivi contrassegnati con #data-mining, che raccolgono un totale di 318,511 stelle (con una media di 3,932 stelle per progetto). Il progetto leader di questo argomento è academic/awesome-datascience, con 30,352 stelle.
81 repository in totale
:memo: Un fantastico repository di Data Science per imparare e applicare a problemi del mondo reale.
OCR pronto all'uso con oltre 80 lingue supportate e tutti gli script di scrittura più diffusi, tra cui Latino, Cinese, Arabico, Devanagari, Cirillico, ecc.
Una lista curata di eccellenti librerie open source per implementare, monitorare, versionare e scalare il tuo machine learning
Un framework veloce, distribuito e ad alte prestazioni per il gradient boosting (GBT, GBDT, GBRT, GBM o MART) basato su algoritmi di alberi decisionali, utilizzato per ranking, classificazione e molte altre attività di machine learning.
Ricerca e sviluppo (R&S) è fondamentale per il miglioramento della produttività industriale, specialmente nell'era dell'IA, dove gli aspetti centrali della R&S si concentrano principalmente su dati e modelli. Ci impegniamo ad automatizzare questi processi di R&S generici di alto valore attraverso R&D-Agent, che permette all'IA di guidare l'IA guidata dai dati. 🔗https://aka.ms/RD-Agent-Tech-Report
Repository di codice e risorsa informativa del libro "Python Machine Learning (1ª edizione)"
Mappa di apprendimento dell'intelligenza artificiale, raccolta di quasi 200 casi pratici e progetti, materiali complementari gratuiti, ingresso da zero basi, pratica per l'occupazione! Include: Python, matematica, machine learning, analisi dati, apprendimento profondo, visione artificiale, elaborazione del linguaggio naturale, PyTorch, tensorflow, machine-learning, deep-learning, data-analysis, data-mining, mathematics, data-science, artificial-intelligence, python, tensorflow, tensorflow2, caffe, keras, pytorch, algorithm, numpy, pandas, matplotlib, seaborn, nlp, cv e altri campi caldi
Una libreria Python per il rilevamento di anomalie su dati tabulari, serie temporali, grafi, testo, immagini e audio. Include oltre 60 rilevatori, un'orchestrazione ADEngine basata su benchmark e un flusso di lavoro agentico per agenti IA.
Libri, articoli, video e toolbox relativi al rilevamento di anomalie. Ultimo aggiornamento a fine 2025 per lavori su LLM e VLM!
Una libreria Gradient Boosting on Decision Trees veloce, scalabile e ad alte prestazioni, utilizzata per ranking, classificazione, regressione e altre attività di machine learning per Python, R, Java, C++. Supporta il calcolo su CPU e GPU.
Una libreria di moduli di estensione e helper per le librerie di analisi dati e machine learning di Python.
Alink è la piattaforma di algoritmi di Machine Learning basata su Flink, sviluppata dal team PAI della piattaforma di computing di Alibaba.
Strumento assistito dalla visione artificiale per estrarre dati numerici da immagini di grafici.
Elenco di strumenti e dataset per il rilevamento di anomalie nei dati di serie temporali.
WebCollector è un framework open source per web crawler basato su Java. Fornisce alcune semplici interfacce per il crawling del Web, puoi configurare un web crawler multi-threaded in meno di 5 minuti.
Libreria Python e CLI per lo scraping di X/Twitter con rotazione multi-account e gestione integrata dei limiti di velocità.
Un toolkit/biblioteca Python per machine/deep learning e data mining centrato sulla realtà su serie temporali parzialmente osservate, con oltre 50 modelli di reti neurali SOTA per compiti di analisi scientifica (imputazione, classificazione, clustering, previsione, rilevamento anomalie, pulizia) su TS multivariate industriali incomplete campionate irregolarmente con valori mancanti NaN
Informazioni accademiche complete e tempestive sull'apprendimento federato (articoli, framework, set di dati, tutorial, workshop)
Un elenco curato di articoli e risorse basati su grafi/transformer per il rilevamento di frodi, anomalie e outlier
Una lista curata di articoli di data mining sulla rilevazione delle frodi.
Alcuni fantastici libri e pdf relativi all'IA per l'apprendimento e il download, e applica anche alcuni modelli di esempio per l'apprendimento
Un toolkit di deep learning per l’IA in ambito sanitario: cartelle cliniche elettroniche (MIMIC, eICU, OMOP), testi clinici, segnali e immagini. Oltre 30 modelli e pipeline riproducibili.
pacchetto R caret (Classification And Regression Training) che contiene funzioni varie per l'allenamento e la visualizzazione di modelli di classificazione e regressione
Un elenco professionale di articoli, tutorial e survey sull'IA per serie temporali nelle principali conferenze e riviste di IA.
UnityPy è un modulo Python che rende possibile estrarre/decomprimere e modificare gli asset di Unity.
Framework AIL - Analysis Information Leak framework. Progetto spostato su https://github.com/ail-project
CleverCSV è un pacchetto Python per la gestione di file CSV disordinati. Fornisce una sostituzione drop-in per il modulo CSV integrato con un rilevamento del dialetto migliorato e include un'applicazione pratica da riga di comando per lavorare con file CSV.
:video_game: Un elenco curato di dataset di giochi fantastici e strumenti per l'intelligenza artificiale nei giochi
Repository pubblico ufficiale per PM4Py (Process Mining for Python) — una libreria open-source per esplorare, analizzare e ottimizzare i processi aziendali con Python.
Domande frequenti
Qual è il repository #data-mining più popolare su GitHub?
Il progetto open source #data-mining più alto in classifica su GitHub è academic/awesome-datascience, con 30,352 stelle. :memo: Un fantastico repository di Data Science per imparare e applicare a problemi del mondo reale.
Quali linguaggi di programmazione sono più utilizzati nei repository #data-mining?
Tra i progetti #data-mining più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, HTML, Java.
Come viene calcolata la classifica dei repository #data-mining?
Monitoriamo 81 repository open source attivi contrassegnati con #data-mining (500+ stelle), per un totale di 318,511 stelle e una media di 3,932 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.