#feature-engineering Репозитории
Откройте для себя 56 активных репозиториев с открытым исходным кодом на GitHub, отмеченных тегом #feature-engineering, с общим числом 95,158 звёзд (в среднем 1,699 на проект). Лидером этой темы является EpistasisLab/tpot, набравший 10,051 звёзд.
Всего репозиториев: 56
Инструмент автоматизированного машинного обучения на Python, оптимизирующий конвейеры машинного обучения с использованием генетического программирования.
Alink — это платформа алгоритмов машинного обучения на базе Flink, разработанная командой PAI платформы вычислений Alibaba.
Пакет Python для AutoML на табличных данных с инженерией признаков, настройкой гиперпараметров, объяснениями и автоматической документацией
Книга_6_"Путь Данных" | Книга Ириса: От сложения, вычитания, умножения и деления до машинного обучения; мы приветствуем вашу критику и исправления! Студенты, которые исправят больше ошибок, получат книгу в подарок в знак благодарности!
Apache Hamilton помогает специалистам по данным и инженерам определять тестируемые, модульные, самодокументируемые потоки данных, которые кодируют происхождение/отслеживание и метаданные. Работает и масштабируется везде, где работает python.
Библиотека совместимых с sklearn энкодеров категориальных переменных
Сервис машинного обучения с низким уровнем кода для персонализированного ранжирования статей, листингов, результатов поиска, рекомендаций, который повышает вовлеченность пользователей. Дружелюбный движок Learn-to-Rank
Библиотека Python с открытым исходным кодом для инжиниринга и выбора признаков, совместимая с sklearn.
TransmogrifAI (произносится trăns-mŏgˈrə-fī) — это библиотека AutoML для создания модульных, многократно используемых и строго типизированных рабочих процессов машинного обучения на базе Apache Spark с минимальной ручной настройкой.
Approaching (Almost) Any Machine Learning Problem китайская версия, адрес онлайн-документации: https://ytzfhqs.github.io/AAAMLP-CN/
Виртуальное хранилище признаков. Превратите существующую инфраструктуру данных в хранилище признаков.
Feathr – Масштабируемая, унифицированная платформа для инжиниринга данных и искусственного интеллекта для корпораций
Интеллектуальный торговый бот: Автоматическая генерация сигналов и торговля на основе машинного обучения и инжиниринга признаков
OpenMLDB — это база данных машинного обучения с открытым исходным кодом, которая предоставляет платформу для признаков, вычисляющую согласованные признаки для обучения и инференса.
Акции в области глубокого обучения и машинного обучения представляют собой перспективные возможности как для долгосрочных, так и для краткосрочных инвесторов и трейдеров.
Hopsworks - Платформа ИИ с интенсивным использованием данных и хранилищем признаков
Машинное обучение временных рядов в масштабе. Создано с использованием Polars для легко параллелизуемой экстракции признаков и прогнозов на панельных данных.
NVTabular — это библиотека для инжиниринга признаков и предварительной обработки табличных данных, разработанная для быстрого и легкого манипулирования наборами данных объемом в терабайты, используемыми для обучения рекомендательных систем на основе глубокого обучения.
Курируемый список видео, ссылок, проектов и наборов данных по машинному обучению, которые помогут вам покорить ландшафт машинного обучения за 6 месяцев.
PMLB: Большой кураторский репозиторий эталонных наборов данных для оценки алгоритмов контролируемого машинного обучения.
Инженерия признаков — это процесс использования знаний в предметной области для извлечения признаков из необработанных данных с помощью методов интеллектуального анализа данных. Эти признаки можно использовать для улучшения производительности алгоритмов машинного обучения. Инженерия признаков можно рассматривать как прикладное машинное обучение само по себе.
BharatMLStack — это стек инфраструктуры машинного обучения с открытым исходным кодом, разработанный в Meesho для поддержки рабочих нагрузок машинного обучения в реальном времени и пакетной обработки в масштабе Бхарата.
Temporian — это сторонняя библиотека Python с открытым исходным кодом для предварительной обработки ⚡ и инжиниринга признаков 🛠 временных данных 📈 для приложений машинного обучения 🤖
Курс по серверлесс машинному обучению для создания сервисов прогнозирования с поддержкой ИИ из моделей и признаков
Используйте продвинутые стратегии инжиниринга признаков и выбирайте лучшие признаки из вашего набора данных одной строкой кода. Создано Рамом Сешадри. Приглашаем к сотрудничеству.
Расширение Polars для общих случаев использования в науке о данных
Высококачественный синтетический набор данных, фиксирующий показатели производительности разработчиков ИИ — включая часы концентрации, коэффициенты выполнения задач и индикаторы выгорания. Безопасный для конфиденциальности, идеален для аналитики машинного обучения и рабочих процессов.
Полный жизненный цикл проекта по науке о данных
Реализация/Руководство по использованию методов автоматизированного машинного обучения (AutoML) для статического/пакетного и онлайн/непрерывного обучения
Пайплайновые шаги для feature engineering и предобработки данных для подготовки к моделированию
Часто задаваемые вопросы
Какой репозиторий по теме #feature-engineering наиболее популярен на GitHub?
Самый высоко оценённый проект с открытым исходным кодом по теме #feature-engineering на GitHub — EpistasisLab/tpot, набравший 10,051 звёзд. Инструмент автоматизированного машинного обучения на Python, оптимизирующий конвейеры машинного обучения с использованием генетического программирования.
Какие языки программирования чаще всего используются в репозиториях по теме #feature-engineering?
Среди наиболее высоко оценённых проектов по теме #feature-engineering на GitHub чаще всего используются языки программирования Python, Jupyter Notebook, Scala, Java.
Как рассчитывается рейтинг репозиториев по теме #feature-engineering?
Мы отслеживаем 56 активных репозиториев с открытым исходным кодом, отмеченных тегом #feature-engineering (500 и более звёзд), с общим числом 95,158 звёзд и в среднем 1,699 звёзд на репозиторий. Рейтинги обновляются ежедневно на основе данных GitHub API.