#feature-engineering Repositórios
Descubra 56 repositórios ativos de código aberto no GitHub marcados com #feature-engineering, acumulando um total de 95,158 estrelas (uma média de 1,699 por projeto). O líder deste tópico é EpistasisLab/tpot, com 10,051 estrelas.
56 repositórios no total
Uma ferramenta de Aprendizado de Máquina Automatizado em Python que otimiza pipelines de aprendizado de máquina usando programação genética.
Uma biblioteca Python de código aberto para engenharia de recursos automatizada
Alink é a plataforma de algoritmos de Machine Learning baseada em Flink, desenvolvida pela equipe PAI da plataforma de computação Alibaba.
IA e Machine Learning com Kubeflow, Amazon EKS e SageMaker
Pacote Python para AutoML em Dados Tabulares com Engenharia de Atributos, Ajuste de Hiperparâmetros, Explicações e Documentação Automática
Livro_6_《Os Caminhos dos Dados》 | A Flor de Íris: Do básico de matemática à aprendizagem de máquina; bem-vindos a críticas e correções! Os alunos que mais erros corrigirem receberão um livro de presente como agradecimento!
O Apache Hamilton ajuda cientistas e engenheiros de dados a definir fluxos de dados testáveis, modulares e autodocumentáveis, que codificam linhagem/rastreamento e metadados. Ele executa e escala em qualquer lugar onde o Python também funcione.
Uma biblioteca de codificadores de variáveis categóricas compatíveis com sklearn
Um serviço de ranqueamento personalizado de Machine Learning (ML) com low code para artigos, listagens, resultados de pesquisa e recomendações, que impulsiona o engajamento do usuário. Um motor Learn-to-Rank amigável.
Biblioteca Python de código aberto para engenharia e seleção de recursos compatível com sklearn.
TransmogrifAI (pronunciado trăns-mŏgˈrə-fī) é uma biblioteca AutoML para construir fluxos de trabalho de aprendizado de máquina modulares, reutilizáveis e fortemente tipados no Apache Spark com ajuste manual mínimo.
A versão traduzida para chinês de "Approaching (Almost) Any Machine Learning Problem", endereço do documento online: https://ytzfhqs.github.io/AAAMLP-CN/
O Feature Store Virtual. Transforme sua infraestrutura de dados existente em um feature store.
Feathr – Uma plataforma unificada e escalável de engenharia de dados e IA para empresas
Bot de Negociação Inteligente: Gerando automaticamente sinais e negociando com base em aprendizado de máquina e engenharia de recursos
OpenMLDB é um banco de dados de aprendizado de máquina de código aberto que fornece uma plataforma de recursos computando recursos consistentes para treinamento e inferência.
As ações de Deep Learning e Machine Learning representam oportunidades promissoras tanto para investidores de longo prazo quanto para traders de curto prazo.
Aprendizado de máquina de séries temporais em escala. Construído com Polars para extração de features e previsões em dados de painel com paralelismo embarassante.
NVTabular é uma biblioteca de engenharia e pré-processamento de features para dados tabulares, projetada para manipular de forma rápida e fácil conjuntos de dados em escala de terabytes usados para treinar sistemas de recomendação baseados em deep learning.
Uma lista selecionada de vídeos, links, projetos e conjuntos de dados de Machine Learning para te ajudar a conquistar o cenário de ML em 6 meses
PMLB: Um grande repositório curado de conjuntos de dados de benchmark para avaliar algoritmos de aprendizado de máquina supervisionado.
A engenharia de recursos é o processo de usar o conhecimento do domínio para extrair recursos de dados brutos por meio de técnicas de mineração de dados. Esses recursos podem ser usados para melhorar o desempenho de algoritmos de aprendizado de máquina. A engenharia de recursos pode ser considerada como aprendizado de máquina aplicado em si.
BharatMLStack é uma pilha de infraestrutura de aprendizado de máquina (ML) de código aberto e ponta a ponta, construída na Meesho para suportar cargas de trabalho de ML em tempo real e em lote na escala Bharat.
Temporian é uma biblioteca Python de código aberto para pré-processamento ⚡ e engenharia de recursos 🛠 de dados temporais 📈 para aplicações de aprendizado de máquina 🤖
Curso de Machine Learning Serverless para construir Serviços de Previsão habilitados para IA a partir de modelos e recursos
Use estratégias avançadas de engenharia de recursos e selecione os melhores recursos do seu conjunto de dados com uma única linha de código. Criado por Ram Seshadri. Colaboradores são bem-vindos.
Conjunto de dados sintéticos de alta fidelidade que capturam métricas de produtividade de desenvolvedores de IA — incluindo horas de foco, taxas de conclusão de tarefas e indicadores de esgotamento. Preserva a privacidade, ideal para ML e análise de fluxo de trabalho.
Ciclo de Vida Completo de um Projeto de Ciência de Dados
Implementação/Tutorial sobre o uso de métodos de Aprendizado de Máquina Automatizado (AutoML) para aprendizado estático/em lote e online/contínuo
Etapas de pipeline para engenharia de características e pré-processamento de dados para preparação para a modelagem
Perguntas Frequentes
Qual é o repositório de #feature-engineering mais popular no GitHub?
O projeto de código aberto de #feature-engineering mais bem classificado no GitHub é EpistasisLab/tpot, com 10,051 estrelas. Uma ferramenta de Aprendizado de Máquina Automatizado em Python que otimiza pipelines de aprendizado de máquina usando programação genética.
Quais linguagens de programação são mais usadas nos repositórios de #feature-engineering?
Entre os projetos de #feature-engineering mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Jupyter Notebook, Scala, Java.
Como é calculada a classificação dos repositórios de #feature-engineering?
Acompanhamos 56 repositórios ativos de código aberto marcados com #feature-engineering (com mais de 500 estrelas), totalizando 95,158 estrelas e uma média de 1,699 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.