#kaggle Repository
Scopri 19 repository GitHub open source attivi contrassegnati con #kaggle, che raccolgono un totale di 140,042 stelle (con una media di 7,370 stelle per progetto). Il progetto leader di questo argomento è donnemartin/data-science-ipython-notebooks, con 28,776 stelle.
19 repository in totale
Notebook Python per la data science: Deep learning (TensorFlow, Theano, Caffe, Keras), scikit-learn, Kaggle, big data (Spark, Hadoop MapReduce, HDFS), matplotlib, pandas, NumPy, SciPy, fondamenti di Python, AWS e varie righe di comando.
Libro interattivo di deep learning con codice multi-framework, matematica e discussioni. Adoptato in 500 università di 70 paesi, inclusi Stanford, MIT, Harvard e Cambridge.
Crea audiolibri dagli e-book con oltre 50 motori TTS, clonazione vocale e supporto per 1.696 lingue!
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.
Implementazione di U-Net in PyTorch per la segmentazione semantica delle immagini con immagini di alta qualità
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.
Data mining, Visione artificiale, Elaborazione del linguaggio naturale, Conoscenze sui concorsi per sistemi di raccomandazione, Codice, Idee
Approaching (Almost) Any Machine Learning Problem versione cinese, indirizzo della documentazione online: https://ytzfhqs.github.io/AAAMLP-CN/
Framework veloce e personalizzabile per la creazione automatica di modelli ML (AutoML)
Modelli open di livello frontier su una TPU v5e-8 gratuita di Kaggle: GLM-5.3-Flash 320B MoE (~165 token/s, con il nostro motore JAX) e Qwen3.8-27B bf16 (~130 token/s), contesto da 262k e caching dei prefissi. Funziona con Claude Code, Codex, opencode e pi.
Perpetual è una macchina di gradient boosting ad alte prestazioni. Fornisce accuratezza ottimale in una singola esecuzione senza tuning complesso grazie a un semplice parametro di budget. Offre supporto pronto all’uso per ML causale, apprendimento continuo, calibrazione nativa e monitoraggio robusto del drift, oltre al core in Rust e binding zero‑copy per Python e R.
Classificare la descrizione dei crimini di Kaggle San Francisco in 39 classi. Costruire il modello con CNN, RNN (GRU e LSTM) e Word Embeddings su Tensorflow.
Un'implementazione migliorata e riproducibile di una soluzione di previsione di polimeri Open NeurIPS Kaggle Medaglia d'Argento, con canonicalizzazione SMILES, descrittori molecolari, modelli CatBoost/XGBoost, stacking OOF e GNN PyTorch Geometric opzionali.
Domande frequenti
Qual è il repository #kaggle più popolare su GitHub?
Il progetto open source #kaggle più alto in classifica su GitHub è donnemartin/data-science-ipython-notebooks, con 28,776 stelle. Notebook Python per la data science: Deep learning (TensorFlow, Theano, Caffe, Keras), scikit-learn, Kaggle, big data (Spark, Hadoop MapReduce, HDFS), matplotlib, pandas, NumPy, SciPy, fondamenti di Python, AWS e varie righe di comando.
Quali linguaggi di programmazione sono più utilizzati nei repository #kaggle?
Tra i progetti #kaggle più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, C++, Astro.
Come viene calcolata la classifica dei repository #kaggle?
Monitoriamo 19 repository open source attivi contrassegnati con #kaggle (500+ stelle), per un totale di 140,042 stelle e una media di 7,370 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.