#feature-engineering リポジトリ
#feature-engineeringのタグが付いた、GitHub上の56件のアクティブなオープンソースリポジトリをご覧ください。合計スター数は95,158個で、プロジェクトあたりの平均は1,699個です。このトピックをリードしているのは、10,051個のスターを獲得しているEpistasisLab/tpotです。
リポジトリ合計56件
テーブルデータ向け AutoML のための Python パッケージ:特徴エンジニアリング、ハイパーパラメータチューニング、説明、および自動ドキュメント
Book_6_「データの道」 | アイリスブック:足し算、引き算、掛け算、割り算から機械学習まで。皆様からの批評や訂正を歓迎します!多くの間違いを訂正してくれた学生には、感謝のしるしとして書籍を贈呈します!
Apache Hamilton は、データサイエンティストやエンジニアが、リネージ/トレーシングとメタデータをエンコードする、テスト可能でモジュール化された自己文書化データフローを定義するのに役立ちます。Python が実行されるすべての場所で実行およびスケーリングされます。
記事、リスティング、検索結果、レコメンデーションのユーザーエンゲージメントを高めるローコード機械学習パーソナライズドランキングサービス。フレンドリーな学習ランキングエンジン
TransmogrifAI(発音:trăns-mŏgˈrə-fī)は、Apache Spark上でモジュール式で再利用可能な、厳密に型指定された機械学習ワークフローを最小限の手動調整で構築するためのAutoMLライブラリです。
Approaching (Almost) Any Machine Learning Problem 中国語版、オンラインドキュメントアドレス:https://ytzfhqs.github.io/AAAMLP-CN/
ディープラーニングと機械学習の株式は、長期および短期の投資家とトレーダーにとって有望な機会を表しています。
NVTabularは、ディープラーニングベースのレコメンダーシステムをトレーニングするために使用されるテラバイト規模のデータセットを迅速かつ簡単に操作できるように設計された、表形式データのフィーチャーエンジニアリングおよび前処理ライブラリです。
特徴工学は、ドメイン知識を使用してデータマイニング技法により生データから特徴を抽出するプロセスです。これらの特徴は、機械学習アルゴリズムのパフォーマンスを向上させるために使用できます。特徴工学は応用機械学習そのものとみなすことができます。
BharatMLStackは、Meeshoで構築されたオープンソースのエンドツーエンド機械学習インフラストラクチャスタックであり、Bharat規模でのリアルタイムおよびバッチMLワークロードをサポートします。
高度な特徴量エンジニアリング戦略を使用して、1行のコードでデータセットから最適な特徴量を選択します。Ram Seshadriによって作成されました。協力者を歓迎します。
AI開発者の生産性メトリクス(集中時間、タスク完了率、燃え尽き症候群の兆候を含む)をキャプチャする高忠実度合成データセット。プライバシー保護、MLおよびワークフロー分析に最適です。
静的/バッチ学習およびオンライン/継続学習のための自動機械学習(AutoML)方法の使用に関する実装/チュートリアル
よくある質問
GitHubで最も人気のある#feature-engineeringリポジトリは何ですか?
GitHubで最も上位にランクインしているオープンソースの#feature-engineeringプロジェクトは、10,051個のスターを獲得しているEpistasisLab/tpotです。遺伝的プログラミングを使用して機械学習パイプラインを最適化するPython自動化機械学習ツール。
#feature-engineeringリポジトリで最もよく使われているプログラミング言語は何ですか?
GitHubで上位にランクインしている#feature-engineeringプロジェクトでは、Python, Jupyter Notebook, Scala, Javaが最も一般的なプログラミング言語です。
#feature-engineeringリポジトリのランキングはどのように算出されていますか?
#feature-engineeringのタグが付いた56件のアクティブなオープンソースリポジトリ(スター500個以上)を追跡しています。合計スター数は95,158個で、リポジトリあたりの平均は1,699個です。ランキングはGitHub APIからのデータに基づいて毎日更新されます。