#random-forest Repositórios
Descubra 26 repositórios ativos de código aberto no GitHub marcados com #random-forest, acumulando um total de 57,940 estrelas (uma média de 2,228 por projeto). O líder deste tópico é EpistasisLab/tpot, com 10,051 estrelas.
26 repositórios no total
Uma ferramenta de Aprendizado de Máquina Automatizado em Python que otimiza pipelines de aprendizado de máquina usando programação genética.
H2O é uma Plataforma de Aprendizado de Máquina de Código Aberto, Distribuída, Rápida e Escalável: Deep Learning, Gradient Boosting (GBM) e XGBoost, Random Forest, Generalized Linear Modeling (GLM com Elastic Net), K-Means, PCA, Generalized Additive Models (GAM), RuleFit, Support Vector Machine (SVM), Stacked Ensembles, Automatic Machine Learning (AutoML), etc.
Código Python para Algoritmos comuns de Aprendizado de Máquina
Uma biblioteca rápida para AutoML e otimização. Junte-se ao nosso Discord: https://discord.gg/Cppx2vSPVP.
Pacote Python para AutoML em Dados Tabulares com Engenharia de Atributos, Ajuste de Hiperparâmetros, Explicações e Documentação Automática
Uma biblioteca Python para visualização de árvores de decisão e interpretação de modelos.
Uma coleção de artigos de pesquisa sobre árvores de decisão, classificação e regressão com implementações.
Uma lista selecionada de artigos de mineração de dados sobre detecção de fraudes.
SMAC3: Um Pacote de Otimização Bayesiana Versátil para Otimização de Hiperparâmetros
Uma lista com curadoria de artigos de pesquisa sobre gradient boosting com implementações.
Uma Estrutura Python Eficiente, Escalável e Otimizada para Deep Forest (2021.2.1)
Mecanismo de inferência de Aprendizado de Máquina para Microcontroladores e Dispositivos Embarcados
Uma coleção de algoritmos de ponta para o treinamento, serviço e interpretação de modelos de Floresta de Decisão no Keras.
Uma biblioteca para treinar, avaliar, interpretar e colocar em produção modelos de florestas de decisão, como Random Forest e Gradient Boosted Decision Trees.
Código para calcular a importância de permutação e a importância de colunas descartadas em modelos scikit-learn do Python
ProphitBet é uma aplicação de previsão de apostas em futebol baseada em aprendizagem automática. Analisa a forma das equipas, calcula estatísticas dos jogos e prevê os resultados utilizando métodos avançados de aprendizagem automática (ML). Além disso, disponibiliza agentes de apostas baseados em aprendizagem por reforço profundo (DRL), capazes de aprender estratégias de apostas ideais.
Código para IDS-ML: desenvolvimento de sistema de detecção de intrusão usando algoritmos de aprendizado de máquina (Árvore de decisão, random forest, extra trees, XGBoost, stacking, k-means, otimização Bayesiana..)
Compêndio de recursos gratuitos de leitura sobre ML
🌲 Implementação do algoritmo Robust Random Cut Forest para detecção de anomalias em fluxos
Perguntas Frequentes
Qual é o repositório de #random-forest mais popular no GitHub?
O projeto de código aberto de #random-forest 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 #random-forest?
Entre os projetos de #random-forest mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Jupyter Notebook, C++, JavaScript.
Como é calculada a classificação dos repositórios de #random-forest?
Acompanhamos 26 repositórios ativos de código aberto marcados com #random-forest (com mais de 500 estrelas), totalizando 57,940 estrelas e uma média de 2,228 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.