xgboost

Skalierbare, portable und verteilte Gradient-Boosting-Bibliothek (GBDT, GBRT oder GBM) für Python, R, Java, Scala, C und mehr. Läuft auf einem einzelnen Rechner, Hadoop, Spark, Dask, Flink und DataFlow

Standardisierte, verteilte generative und prädiktive KI-Inferenzplattform für skalierbare Bereitstellungen mit mehreren Frameworks auf Kubernetes

Alink ist die auf Flink basierende Plattform für Algorithmen des maschinellen Lernens, entwickelt vom PAI-Team der Alibaba Computing Platform.

Python-Paket für AutoML auf tabellarischen Daten mit Feature Engineering, Hyperparameter-Tuning, Erklärungen und automatischer Dokumentation

Eine Python-Bibliothek zur Entscheidungsbaum-Visualisierung und Modellinterpretation.

Transformieren Sie ML-Modelle in nativen Code (Java, C, Python, Go, JavaScript, Visual Basic, C#, R, PowerShell, PHP, Dart, Haskell, Ruby, F#, Rust) ohne Abhängigkeiten

Eine Bibliothek zum Debuggen und Inspizieren von Machine-Learning-Klassifikatoren sowie zum Erklären ihrer Vorhersagen

Mars ist ein auf Tensoren basierendes, einheitliches Framework für die großflächige Datenberechnung, das numpy, pandas, scikit-learn und Python-Funktionen skaliert.

Deep-Learning-Server und CLI für Torch und TensorRT

Eine Sammlung von Forschungspapieren zu Entscheidungs-, Klassifikations- und Regressionsbäumen inklusive Implementierungen.

Verteiltes KI-Modelltraining und LLM-Feinabstimmung auf Kubernetes

Visualisieren Sie jeden Datensatz beliebiger Größe automatisch mit nur einer Zeile Code. Erstellt von Ram Seshadri. Mitarbeit willkommen. Erlaubnis auf Anfrage erteilt.

Python-Bibliothek für Zeitreihenprognosen unter Verwendung von scikit-learn-kompatiblen Modellen, statistischen Methoden und Foundation-Modellen

Skalierbares maschinelles 🤖 Lernen für Zeitreihenprognosen.

Skalierbares Python DS & ML, API-kompatibel und blitzschnell.

Eine kuratierte Liste von Forschungsarbeiten zum Gradient Boosting inklusive Implementierungen.

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

Eine Erweiterung von XGBoost für die probabilistische Modellierung

Ollama für klassische ML-Modelle. Ein AOT-Compiler, der XGBoost-, LightGBM-, scikit-learn-, CatBoost- und ONNX-Modelle in nativen C99-Inferenzcode umwandelt. Ein Befehl zum Laden, ein Befehl zum Bereitstellen. 336x schneller als Python-Inferenz.

Nutzen Sie fortgeschrittene Feature-Engineering-Strategien und wählen Sie die besten Merkmale aus Ihrem Datensatz mit nur einer Zeile Code aus. Erstellt von Ram Seshadri. Mitwirkende willkommen.

Imponieren Sie Ihrem Chef mit interaktiven Entscheidungsbaum-Visualisierungen

Code für IDS-ML: Entwicklung von Intrusion-Detection-Systemen mit Machine-Learning-Algorithmen (Entscheidungsbaum, Random Forest, Extra Trees, XGBoost, Stacking, k-Means, Bayes-Optimierung..)

REST-Webdienst für die echte Echtzeit-Bewertung (<1 ms) von Scikit-Learn-, R- und Apache Spark-Modellen

Ein Python-Paket zur gleichzeitigen Hyperparameter-Optimierung und Merkmalsauswahl für Gradient-Boosting-Modelle.

Eine einheitliche Schnittstelle für Optimierungsalgorithmen und Experimente

Automatisierte Erstellung mehrerer ML-Modelle mit nur einer Codezeile. Erstellt von Ram Seshadri.