#decision-trees Repositórios
Descubra 14 repositórios ativos de código aberto no GitHub marcados com #decision-trees, acumulando um total de 58,478 estrelas (uma média de 4,177 por projeto). O líder deste tópico é lightgbm-org/LightGBM, com 18,995 estrelas.
14 repositórios no total
Um framework rápido, distribuído e de alto desempenho para gradient boosting (GBT, GBDT, GBRT, GBM ou MART) baseado em algoritmos de árvore de decisão, usado para ranking, classificação e muitas outras tarefas de aprendizado de máquina.
Uma biblioteca de Gradient Boosting em Árvores de Decisão rápida, escalável e de alto desempenho, usada para ranking, classificação, regressão e outras tarefas de aprendizado de máquina para Python, R, Java, C++. Suporta computação em CPU e GPU.
Contém Soluções e Notas para a Especialização em Aprendizado de Máquina da Universidade de Stanford e Deeplearning.ai - Coursera (2022), pelo Prof. Andrew NG
Código Python para Algoritmos comuns de Aprendizado de Máquina
Uma biblioteca Python para visualização de árvores de decisão e interpretação de modelos.
Formato universal de troca de modelos e serialização para florestas de árvores de decisão
Uma coleção de algoritmos de ponta para o treinamento, serviço e interpretação de modelos de Floresta de Decisão no Keras.
Ollama para modelos ML clássicos. Compilador AOT que transforma modelos XGBoost, LightGBM, scikit-learn, CatBoost e ONNX em código de inferência nativo C99. Um comando para carregar, um comando para servir. 336x mais rápido que inferência em Python.
Uma biblioteca para treinar, avaliar, interpretar e colocar em produção modelos de florestas de decisão, como Random Forest e Gradient Boosted Decision Trees.
Perguntas Frequentes
Qual é o repositório de #decision-trees mais popular no GitHub?
O projeto de código aberto de #decision-trees mais bem classificado no GitHub é lightgbm-org/LightGBM, com 18,995 estrelas. Um framework rápido, distribuído e de alto desempenho para gradient boosting (GBT, GBDT, GBRT, GBM ou MART) baseado em algoritmos de árvore de decisão, usado para ranking, classificação e muitas outras tarefas de aprendizado de máquina.
Quais linguagens de programação são mais usadas nos repositórios de #decision-trees?
Entre os projetos de #decision-trees mais bem classificados no GitHub, as linguagens de programação mais comuns são Jupyter Notebook, C++, Python, JavaScript.
Como é calculada a classificação dos repositórios de #decision-trees?
Acompanhamos 14 repositórios ativos de código aberto marcados com #decision-trees (com mais de 500 estrelas), totalizando 58,478 estrelas e uma média de 4,177 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.