#random-forest Репозитории
Откройте для себя 26 активных репозиториев с открытым исходным кодом на GitHub, отмеченных тегом #random-forest, с общим числом 57,940 звёзд (в среднем 2,228 на проект). Лидером этой темы является EpistasisLab/tpot, набравший 10,051 звёзд.
Всего репозиториев: 26
Инструмент автоматизированного машинного обучения на Python, оптимизирующий конвейеры машинного обучения с использованием генетического программирования.
H2O — это Open Source, распределенная, быстрая и масштабируемая платформа машинного обучения: Deep Learning, Gradient Boosting (GBM) и XGBoost, Random Forest, Generalized Linear Modeling (GLM с Elastic Net), K-Means, PCA, Generalized Additive Models (GAM), RuleFit, Support Vector Machine (SVM), Stacked Ensembles, Automatic Machine Learning (AutoML) и т. д.
Код на Python для распространённых алгоритмов машинного обучения
Быстрая библиотека для AutoML и тюнинга. Присоединяйтесь к нашему Discord: https://discord.gg/Cppx2vSPVP.
Пакет Python для AutoML на табличных данных с инженерией признаков, настройкой гиперпараметров, объяснениями и автоматической документацией
Сборник исследовательских статей по деревьям решений, классификации и регрессии с реализациями.
Куратированный список статей по дата-майнингу о выявлении мошенничества.
Куратированный список исследовательских работ по градиентному бустингу с реализациями.
Эффективный, масштабируемый и оптимизированный фреймворк Python для Deep Forest (2021.2.1)
Коллекция передовых алгоритмов для обучения, обслуживания и интерпретации моделей Decision Forest в Keras.
Библиотека для обучения, оценки, интерпретации и внедрения в производство моделей деревьев решений, таких как Random Forest и Gradient Boosted Decision Trees.
Код для вычисления важности перестановок и удаления столбцов в моделях Python scikit-learn
ProphitBet — это приложение для прогнозирования ставок на футбол на основе машинного обучения. Оно анализирует форму команд, рассчитывает статистику матчей и предсказывает их исходы с помощью передовых методов машинного обучения (ML). Кроме того, приложение предлагает агентов для ставок на основе глубокого обучения с подкреплением (DRL), способных обучаться оптимальным стратегиям ставок.
Код для IDS-ML: разработка систем обнаружения вторжений с использованием алгоритмов машинного обучения (Дерево решений, случайный лес, экстремальные деревья, XGBoost, стекинг, k-средних, байесовская оптимизация..)
Сводник бесплатных ресурсов для чтения по ML
Часто задаваемые вопросы
Какой репозиторий по теме #random-forest наиболее популярен на GitHub?
Самый высоко оценённый проект с открытым исходным кодом по теме #random-forest 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 #random-forest?
Среди наиболее высоко оценённых проектов по теме #random-forest на GitHub чаще всего используются языки программирования Python, Jupyter Notebook, C++, JavaScript.
Как рассчитывается рейтинг репозиториев по теме #random-forest?
Мы отслеживаем 26 активных репозиториев с открытым исходным кодом, отмеченных тегом #random-forest (500 и более звёзд), с общим числом 57,940 звёзд и в среднем 2,228 звёзд на репозиторий. Рейтинги обновляются ежедневно на основе данных GitHub API.