ensemble-learning

ML rápido y preciso en 3 líneas de código

H2O es una plataforma de Machine Learning de código abierto, distribuida, rápida y escalable: Deep Learning, Gradient Boosting (GBM) y XGBoost, Random Forest, Modelado Lineal Generalizado (GLM con Elastic Net), K-Means, PCA, Modelos Aditivos Generalizados (GAM), RuleFit, Support Vector Machine (SVM), Stacked Ensembles, Machine Learning Automático (AutoML), etc.

Creo firmemente que ustedes, los estudiantes de posgrado y buscadores de empleo a quienes está dirigido principalmente el libro, se beneficiarán de su lectura; sin embargo, espero que incluso los investigadores más experimentados lo encuentren fascinante.

Una colección de artículos de investigación sobre árboles de decisión, clasificación y regresión con implementaciones.

Un framework de aprendizaje automático para Julia

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

😎 Todo sobre el aprendizaje con clases desequilibradas o de cola larga: artículos, códigos, frameworks y bibliotecas

Un marco de conjunto unificado para PyTorch para mejorar el rendimiento y la robustez de tu modelo de aprendizaje profundo.

Implementación oficial de "ADBench: Anomaly Detection Benchmark", NeurIPS 2022.

Un framework de Python eficiente, escalable y optimizado para Deep Forest (2021.2.1).

Una colección de métodos de detección de anomalías (basados en puntos/iid, grafos y series temporales) que incluye aprendizaje activo para la detección/descubrimiento de anomalías, minería de reglas bayesianas y descripción para diversidad/explicación/interpretabilidad. Análisis de incorporación de retroalimentación de etiquetas con detectores de conjunto y basados en árboles. Incluye ataques adversarios con Graph Convolutional Network.

Fusión de modelos en LLMs, MLLMs y más allá: métodos, teorías, aplicaciones y oportunidades. ACM Computing Surveys, 2026.

Paquete de Python para stacking (técnica de machine learning).

Repositorio oficial para "Neural Thickets: Diverse Task Experts Are Dense Around Pretrained Weights" (ICML 2026 Spotlight)

Código para IDS-ML: desarrollo de sistemas de detección de intrusos mediante algoritmos de aprendizaje automático (árboles de decisión, random forest, extra trees, XGBoost, stacking, k-means, optimización bayesiana, etc.).

Una biblioteca de Python para clasificadores dinámicos y selección de conjuntos.