#xgboost Repositórios
Descubra 34 repositórios ativos de código aberto no GitHub marcados com #xgboost, acumulando um total de 80,652 estrelas (uma média de 2,372 por projeto). O líder deste tópico é dmlc/xgboost, com 29,010 estrelas.
34 repositórios no total
Biblioteca de Gradient Boosting (GBDT, GBRT ou GBM) escalável, portátil e distribuída, para Python, R, Java, Scala, C e mais. Executa em uma única máquina, Hadoop, Spark, Dask, Flink e DataFlow.
Plataforma Padronizada de Inferência de IA Generativa e Preditiva Distribuída para Implantação Escalável e Multi-Framework no Kubernetes
Alink é a plataforma de algoritmos de Machine Learning baseada em Flink, desenvolvida pela equipe PAI da plataforma de computação Alibaba.
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.
Transforme modelos de ML em código nativo (Java, C, Python, Go, JavaScript, Visual Basic, C#, R, PowerShell, PHP, Dart, Haskell, Ruby, F#, Rust) com zero dependências
Uma biblioteca para depurar/inspecionar classificadores de aprendizado de máquina e explicar suas previsões
Mars é uma estrutura unificada baseada em tensores para computação de dados em larga escala que escala as funções numpy, pandas, scikit-learn e Python.
Uma coleção de artigos de pesquisa sobre árvores de decisão, classificação e regressão com implementações.
Visualize automaticamente qualquer conjunto de dados, de qualquer tamanho, com uma única linha de código. Criado por Ram Seshadri. Colaboradores são bem-vindos. Permissão concedida mediante solicitação.
Biblioteca Python para previsão de séries temporais usando modelos compatíveis com scikit-learn, métodos estatísticos e modelos fundamentais
DS e ML escaláveis em Python, de forma compatível com API e extremamente rápida.
Uma lista com curadoria de artigos de pesquisa sobre gradient boosting com implementações.
Um servidor de inferência para seus modelos de aprendizado de máquina, incluindo suporte para múltiplos frameworks, serviço de múltiplos modelos e muito mais
A ponte que faltava entre seus modelos de aprendizado de máquina e seus agentes de IA.
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.
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.
Uma ferramenta de seleção de recursos baseada em árvores que combina o algoritmo de seleção de recursos Boruta com os valores de Shapley.
📘 O rastreador de experimentos para o treinamento de modelos de fundação
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..)
Uma implementação aprimorada e reprodutível de uma solução de previsão de polímeros Open NeurIPS Kaggle Medalha de Prata, com canonicalização SMILES, descritores moleculares, modelos CatBoost/XGBoost, empilhamento OOF e GNNs PyTorch Geometric opcionais.
Serviço web REST para pontuação verdadeira em tempo real (<1 ms) de modelos Scikit-Learn, R e Apache Spark
Um pacote Python para Ajuste Simultâneo de Hiperparâmetros e Seleção de Recursos para Modelos de Gradient Boosting.
Uma interface unificada para algoritmos de otimização e experimentos
Crie Automaticamente Múltiplos Modelos de ML com Uma Única Linha de Código. Criado por Ram Seshadri. Colaboradores Bem-vindos. Permissão Concedida mediante Solicitação.
Perguntas Frequentes
Qual é o repositório de #xgboost mais popular no GitHub?
O projeto de código aberto de #xgboost mais bem classificado no GitHub é dmlc/xgboost, com 29,010 estrelas. Biblioteca de Gradient Boosting (GBDT, GBRT ou GBM) escalável, portátil e distribuída, para Python, R, Java, Scala, C e mais. Executa em uma única máquina, Hadoop, Spark, Dask, Flink e DataFlow.
Quais linguagens de programação são mais usadas nos repositórios de #xgboost?
Entre os projetos de #xgboost mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Jupyter Notebook, C++, Go.
Como é calculada a classificação dos repositórios de #xgboost?
Acompanhamos 34 repositórios ativos de código aberto marcados com #xgboost (com mais de 500 estrelas), totalizando 80,652 estrelas e uma média de 2,372 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.