Zum Hauptinhalt springen
buildradar
Sign in
Thema · hyperparameter-search

hyperparameter-search

Erfasste Open-Source-Repos mit dem Tag hyperparameter-search, sortiert nach Sternen.

Repos
8
Sterne gesamt
71.789
Sterne im Schnitt
8.974
Anteil
0,00%

Themen, die häufig gemeinsam mit hyperparameter-search am selben Repo auftauchen.

Neue Aufsteiger

Repos, die in den letzten 90 Tagen erstellt und mit hyperparameter-search getaggt wurden.

In den letzten 90 Tagen kam kein neues Repo mit diesem Thema dazu.

  • ray@ray-project

    Ray ist ein AI-Rechen-Engine. Ray besteht aus einem Core-Distributed-Runtime und einer Reihe von AI-Bibliotheken zur Beschleunigung von ML-Workloads.

    43.647+70Sterne-Änderung der letzten 7 Tage
  • wandb@wandb

    Die AI-Entwicklerplattform. Nutzen Sie Weights & Biases zum Trainieren und Fine-Tuning von Modellen sowie zur Verwaltung von der Experimentierung bis zur Produktion.

    11.245+9Sterne-Änderung der letzten 7 Tage
  • auto-sklearn@automl

    Automatisiertes maschinelles Lernen mit scikit-learn

    8.127+1Sterne-Änderung der letzten 7 Tage
  • determined@determined-ai

    Determined ist eine Open-Source-Plattform für maschinelles Lernen, die verteiltes Training, Hyperparameter-Tuning, Experimentverfolgung und Ressourcenverwaltung vereinfacht. Funktioniert mit PyTorch und TensorFlow.

    3.237+2Sterne-Änderung der letzten 7 Tage
  • Ein Trainings-Framework für Reinforcement-Learning-Agenten von Stable Baselines3, einschließlich Hyperparameter-Optimierung und vortrainierten Agenten.

    2.872+3Sterne-Änderung der letzten 7 Tage
  • SMAC3@automl

    SMAC3: Ein vielseitiges Bayes-Optimierungspaket für Hyperparameter-Optimierung

    1.244+1Sterne-Änderung der letzten 7 Tage
  • OCTIS@MIND-Lab

    OCTIS: Topic-Modelle vergleichen ist einfach! Ein Python-Paket zur Optimierung und Evaluierung von Topic-Modellen (angenommen beim EACL2021 Demo Track)

    804+0Sterne-Änderung der letzten 7 Tage
  • Neuraxle@Neuraxio

    Die sauberste AutoML-Bibliothek der Welt ✨ - Hyperparameter-Tuning mit den richtigen Pipeline-Abstraktionen für saubere Deep-Learning-Produktions-Pipelines. Ermöglicht Hyperparameter-Räume in Pipeline-Schritten. Kompatibel mit Scikit-Learn, TensorFlow und den meisten anderen Bibliotheken, Frameworks und MLOps-Umgebungen.

    612+0Sterne-Änderung der letzten 7 Tage
← Zurück zu den Themen