decision-trees

Un framework de gradient boosting (GBT, GBDT, GBRT, GBM o MART) rápido, distribuido y de alto rendimiento basado en algoritmos de árboles de decisión, utilizado para clasificación, ordenación (ranking) y muchas otras tareas de aprendizaje automático.

Una biblioteca de Gradient Boosting on Decision Trees rápida, escalable y de alto rendimiento, utilizada para tareas de clasificación, regresión, ranking y otras de machine learning para Python, R, Java, C++. Soporta computación en CPU y GPU.

Contiene soluciones y notas para la Especialización en Machine Learning de la Universidad de Stanford y Deeplearning.ai en Coursera (2022) por el Prof. Andrew NG

🍊 :bar_chart: :bulb: Orange: Análisis de datos interactivo

Código en Python para algoritmos comunes de Machine Learning

Una biblioteca de Python para la visualización de árboles de decisión y la interpretación de modelos.

Algoritmos de clasificación de texto: un estudio

Curso de ciencia de datos de 2015 de General Assembly en Washington, DC.

Una lista curada de los mejores recursos de inteligencia artificial

Una colección de algoritmos de vanguardia para el entrenamiento, servicio e interpretación de modelos de Decision Forest en Keras.

Ollama para modelos de ML clásico. Compilador AOT que convierte modelos de XGBoost, LightGBM, scikit-learn, CatBoost y ONNX en código de inferencia C99 nativo. Un comando para cargar, un comando para servir. 336 veces más rápido que la inferencia en Python.

Impresiona a tu jefe con visualizaciones interactivas de árboles de decisión.

Biblioteca para entrenar, evaluar, interpretar y poner en producción modelos de bosque de decisión, como Random Forest y Gradient Boosted Decision Trees.