#scikit-learn Repository
Scopri 137 repository GitHub open source attivi contrassegnati con #scikit-learn, che raccolgono un totale di 687,046 stelle (con una media di 5,014 stelle per progetto). Il progetto leader di questo argomento è microsoft/ML-For-Beginners, con 92,369 stelle.
137 repository in totale
Python Data Science Handbook: testo completo in Jupyter Notebooks
AiLearning: Analisi Dati + Machine Learning Pratico + Algebra Lineare + PyTorch + NLTK + TF2
⛔️ DEPRECATO – Vedi https://github.com/ageron/handson-ml3 o handson-mlp invece.
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.
Un elenco classificato di fantastiche librerie Python per il machine learning. Aggiornato settimanalmente.
ONNX Runtime: acceleratore per inferenza e addestramento ML cross-platform ad alte prestazioni
Una serie di notebook Jupyter che ti guidano attraverso i fondamenti del Machine Learning e del Deep Learning in Python utilizzando Scikit-Learn, Keras e TensorFlow 2.
Repository di codice e risorsa informativa del libro "Python Machine Learning (1ª edizione)"
Uno strumento di Automated Machine Learning in Python che ottimizza i pipeline di machine learning utilizzando la programmazione genetica.
Piattaforma AutoML open-source a basso codice per Python. PyCaret 4.0: motore nativo sklearn + piano di controllo React.
Quaderni e codice per il libro "Introduction to Machine Learning with Python"
Una libreria Python open source per l'ingegneria delle feature automatizzata
Un elenco curato di tutorial per progetti per l'apprendimento basato su progetti.
Repository di codice per l'apprendimento automatico con PyTorch e Scikit-Learn
Una libreria veloce per AutoML e tuning. Unisciti al nostro Discord: https://discord.gg/Cppx2vSPVP.
Strumenti di analisi visiva e diagnostici per facilitare la selezione di modelli di machine learning.
🧠💬 Articoli che ho scritto sull'apprendimento automatico, archiviati da MachineCurve.com.
Probabilmente la migliore lista curata di software per data science in Python.
Hummingbird compila modelli ML addestrati in calcoli tensoriali per inferenze più veloci.
🛠 IDE tutto-in-uno basato su web specializzato in machine learning e data science.
Pacchetto Python per AutoML su dati tabulari con Feature Engineering, Tuning degli Iper-Parametri, Spiegazioni e Documentazione Automatica
Una libreria Python per la visualizzazione di alberi decisionali e l'interpretazione del modello.
Link a risorse curate con cura per la data science in un unico posto
un delizioso strumento di machine learning che ti consente di addestrare, testare e utilizzare modelli senza scrivere codice
Trasforma modelli ML in codice nativo (Java, C, Python, Go, JavaScript, Visual Basic, C#, R, PowerShell, PHP, Dart, Haskell, Ruby, F#, Rust) senza dipendenze
Una libreria per il debug/il controllo dei classificatori di machine learning e la spiegazione delle loro previsioni
Mars è un framework unificato basato su tensori per il calcolo di dati su larga scala che scala numpy, pandas, scikit-learn e funzioni Python.
Libreria Python basata su scikit-learn per l’ottimizzazione del portafoglio, la costruzione di modelli fattoriali e la gestione del rischio
Una libreria di encoder di variabili categoriche compatibili con sklearn
Una libreria intuitiva per aggiungere funzionalità di plotting agli oggetti scikit-learn.
Domande frequenti
Qual è il repository #scikit-learn più popolare su GitHub?
Il progetto open source #scikit-learn più alto in classifica su GitHub è microsoft/ML-For-Beginners, con 92,369 stelle. 12 settimane, 26 lezioni, 52 quiz, machine learning classico per tutti
Quali linguaggi di programmazione sono più utilizzati nei repository #scikit-learn?
Tra i progetti #scikit-learn più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, C++, TypeScript.
Come viene calcolata la classifica dei repository #scikit-learn?
Monitoriamo 137 repository open source attivi contrassegnati con #scikit-learn (500+ stelle), per un totale di 687,046 stelle e una media di 5,014 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.