scikit-learn

Concrete ML: framework de ML que preserva la privacidad mediante cifrado totalmente homomórfico (FHE), construido sobre Concrete, con enlaces a frameworks de ML tradicionales.

Un kit de herramientas para aprendizaje automático y aprendizaje profundo de series temporales.

Algoritmos de aprendizaje métrico en Python

Bloques adicionales para pipelines de scikit-learn.

Aprendizaje automático en Python con el MOOC de scikit-learn

Portafolio de proyectos de ciencia de datos realizados con fines académicos, de autoaprendizaje y personales

Extensión para Scikit-learn que ofrece una forma sencilla de acelerar tus aplicaciones de Scikit-learn

Proyectos de machine learning a pequeña escala para comprender los conceptos fundamentales. Deja una estrella si te ayuda. BONUS: Banco de preguntas de entrevistas próximamente.

Análisis de supervivencia construido sobre scikit-learn.

Transpila estimadores entrenados de scikit-learn a C, Java, JavaScript y otros.

Implementaciones en Python de los algoritmos de agrupamiento k-modes y k-prototypes, para agrupar datos categóricos

ONNXMLTools permite la conversión de modelos a ONNX

Ejemplos para los Intel® oneAPI Toolkits

Ejemplos y herramientas para Windows ML.

Notas y soluciones de ejercicios de la Parte I del libro: "Hands-On ML with Scikit-Learn, Keras & TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems" de Aurelien Geron

Compilación de códigos de programación en R y Python del canal de YouTube Data Professor.

Una caja de herramientas de aprendizaje automático topológico de alto rendimiento en Python

Un módulo basado en scikit-learn para clasificación multietiqueta y otros

Validadores cruzados de scikit-learn para la estratificación iterativa de datos multietiqueta

Servidor de inferencia para modelos de machine learning, con soporte para múltiples frameworks, servicio de modelos múltiples y más.

Transformadas de dispersión wavelet en Python con aceleración por GPU

La inteligencia natural sigue siendo una idea bastante buena.

Detección de actividades localizadas espacio-temporalmente en tiempo real mediante el seguimiento de puntos clave del cuerpo.

La ingeniería de características es el proceso de utilizar el conocimiento del dominio para extraer características de datos sin procesar mediante técnicas de minería de datos. Estas características pueden utilizarse para mejorar el rendimiento de los algoritmos de aprendizaje automático. La ingeniería de características puede considerarse como el aprendizaje automático aplicado en sí mismo.

DoubleML: aprendizaje automático doble en Python.

Colección de herramientas de IA para apuestas deportivas.

Motor de inferencia de aprendizaje automático para microcontroladores y dispositivos embebidos.

Guía de aprendizaje automático. Aprende todo sobre herramientas, bibliotecas, marcos, modelos de lenguaje grandes (LLM) y modelos de entrenamiento de Machine Learning.

Cliente y kit de herramientas de Python para DataFrames, Big Data, Machine Learning y ETL en Elasticsearch

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