scikit-learn

Concrete ML: Ein Framework für datenschutzfreundliches ML mit vollhomomorpher Verschlüsselung (FHE), basierend auf Concrete, mit Bindings zu traditionellen ML-Frameworks.

Ein Toolkit für Machine Learning und Deep Learning von Zeitreihen

Metrische Lernalgorithmen in Python

Zusätzliche Blöcke für scikit-learn-Pipelines.

机器学习 in Python mit scikit-learn MOOC

Portfolio von Data-Science-Projekten, die ich für akademische Zwecke, zum Selbst lernen und als Hobby abgeschlossen habe.

Extension für Scikit-learn als nahtlose Möglichkeit, deine Scikit-learn-Anwendung zu beschleunigen

Kleine Machine-Learning-Projekte zum Verständnis der Kernkonzepte. Gib einen Star 🌟, wenn es dir hilft. BONUS: Interview-Fragensammlung folgt in Kürze..!

Überlebenszeitanalyse auf Basis von scikit-learn

Trainierte scikit-learn-Schätzer nach C, Java, JavaScript und anderen übersetzen.

Python-Implementierungen der k-modes- und k-prototypes-Clustering-Algorithmen zum Clustern kategorialer Daten

ONNXMLTools ermöglicht die Konvertierung von Modellen nach ONNX

Beispiele für Intel® oneAPI Toolkits

Beispiele und Tools für Windows ML.

Notizen und Übungslösungen zu Teil I des Buches: „Hands-On ML with Scikit-Learn, Keras & TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems“ von Aurelien Geron

Sammlung von R- und Python-Programmiercodes des Data Professor YouTube-Kanals.

Eine leistungsstarke Toolbox für topologisches maschinelles Lernen in Python

Ein auf scikit-learn basierendes Modul für Multi-Label- und andere Klassifikationen

scikit-learn Kreuzvalidierer für die iterative Stratifizierung von Multilabel-Daten

Ein Inferenzserver für Machine-Learning-Modelle mit Unterstützung für mehrere Frameworks, Multimodell-Bereitstellung und mehr

Wavelet-Scattering-Transformationen in Python mit GPU-Beschleunigung

Natürliche Intelligenz ist nach wie vor eine ziemlich gute Idee.

Echtzeit-Aktivitätserkennung mit räumlich-zeitlicher Lokalisierung durch Tracking von Körper-Keypoints.

Feature Engineering ist der Prozess, bei dem Domänenwissen genutzt wird, um Merkmale aus Rohdaten mittels Data-Mining-Techniken zu extrahieren. Diese Merkmale können zur Verbesserung der Leistung von Machine-Learning-Algorithmen verwendet werden. Feature Engineering kann als angewandtes Machine Learning an sich betrachtet werden.

DoubleML - Double Machine Learning in Python

Sammlung von KI-Tools für Sportwetten.

Machine-Learning-Inferenz-Engine für Mikrocontroller und eingebettete Geräte

Leitfaden für Machine Learning. Erfahren Sie alles über Machine-Learning-Tools, Bibliotheken, Frameworks, Large Language Models (LLMs) und das Training von Modellen.

Python-Client und Toolkit für DataFrames, Big Data, Machine Learning und ETL in Elasticsearch

Imponieren Sie Ihrem Chef mit interaktiven Entscheidungsbaum-Visualisierungen