hyperparameter-optimization

Ray es un motor de cómputo para IA. Consta de un entorno de ejecución distribuido central y un conjunto de librerías de IA para acelerar las cargas de trabajo de ML.

Libro interactivo de deep learning con código para múltiples frameworks, matemáticas y discusiones. Adoptado en 500 universidades de 70 países, incluyendo Stanford, MIT, Harvard y Cambridge.

Un marco de trabajo para la optimización de hiperparámetros

La plataforma de desarrollo de IA. Usa Weights & Biases para entrenar y ajustar modelos, y gestionarlos desde la experimentación hasta la producción.

ML rápido y preciso en 3 líneas de código

Una herramienta de Machine Learning Automatizado en Python que optimiza pipelines de aprendizaje automático mediante programación genética.

Aprendizaje automático automatizado con scikit-learn.

Una librería rápida para AutoML y optimización. Únete a nuestro Discord: https://discord.gg/Cppx2vSPVP.

Notas, tareas de programación y cuestionarios de todos los cursos de la especialización en Deep Learning de Coursera ofrecida por deeplearning.ai: (i) Redes neuronales y Deep Learning; (ii) Mejora de redes neuronales profundas: ajuste de hiperparámetros, regularización y optimización; (iii) Estructuración de proyectos de Machine Learning; (iv) Redes neuronales convolucionales; (v) Modelos de secuencias

Una lista seleccionada de artículos, publicaciones, tutoriales, diapositivas y proyectos de aprendizaje automático automatizado (AutoML).

Infraestructura de AI / Orquestación de AI / Plano de control de AI

Paquete de Python para AutoML en datos tabulares con ingeniería de características, ajuste de hiperparámetros, explicaciones y documentación automática

Determined es una plataforma de machine learning de código abierto que simplifica el entrenamiento distribuido, el ajuste de hiperparámetros, el seguimiento de experimentos y la gestión de recursos. Funciona con PyTorch y TensorFlow.

Una biblioteca de ajuste de hiperparámetros para Keras

Un framework de entrenamiento para agentes de aprendizaje por refuerzo de Stable Baselines3, con optimización de hiperparámetros y agentes pre-entrenados incluidos.

Interfaz de investigación basada en Python para optimización de caja negra e hiperparámetros, basada en el servicio interno Google Vizier Service.

Experimentos de hiperparámetros con TensorFlow y Keras.

Robyn es un paquete experimental de código abierto para Modelado de Mezcla de Marketing (MMM) impulsado por IA/ML de Meta Marketing Science. Nuestra misión es democratizar el conocimiento de modelado, inspirar a la industria a través de la innovación, reducir el sesgo humano en el proceso de modelado y construir una comunidad sólida de ciencia de marketing de código abierto.

Optimización ligera con técnicas locales, globales, basadas en población y secuenciales en espacios de búsqueda mixtos

SMAC3: Un paquete versátil de optimización bayesiana para la optimización de hiperparámetros.

HyperView es un laboratorio de estrategias de TradingView enfocado en la terminal para descargar datos de mercado, realizar backtesting de estrategias en Python con comportamiento similar a Pine y optimizar parámetros de SL/TP.

Optimización del aprendizaje por refuerzo con RLOps. Algoritmos y herramientas de RL de vanguardia, con un entrenamiento 10 veces más rápido mediante optimización evolutiva de hiperparámetros.

Agentes LLM como optimizador de hiperparámetros.

Ejemplos para https://github.com/optuna/optuna

OCTIS: ¡Comparar modelos de temas es sencillo! Un paquete de Python para optimizar y evaluar modelos de temas (aceptado en la pista de demostración de EACL2021).

Panel de control web en tiempo real para Optuna

FEDOT, un framework de modelado automatizado y machine learning.

La biblioteca de AutoML más limpia del mundo. Realiza ajuste de hiperparámetros con las abstracciones de pipeline adecuadas para escribir pipelines de aprendizaje profundo en producción. Permite que los pasos de tu pipeline tengan espacios de hiperparámetros. Diseña pasos como componentes. Compatible con Scikit-Learn, TensorFlow y la mayoría de las bibliotecas, frameworks y entornos de MLOps.

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.).

Paquete de Python para la optimización simultánea de hiperparámetros y selección de características en modelos de Gradient Boosting.