decision-trees

Un framework de gradient boosting (GBT, GBDT, GBRT, GBM ou MART) rapide, distribué et haute performance basé sur des algorithmes d'arbres de décision, utilisé pour le classement, la classification et de nombreuses autres tâches d'apprentissage automatique.

Bibliothèque de Gradient Boosting sur arbres de décision rapide, évolutive et performante, utilisée pour le classement, la classification, la régression et d'autres tâches d'apprentissage automatique pour Python, R, Java et C++. Prend en charge le calcul sur CPU et GPU.

Contient des solutions et des notes pour la spécialisation Machine Learning de l'Université de Stanford et Deeplearning.ai - Coursera (2022) par le professeur Andrew NG.

Orange : analyse de données interactive.

Code Python pour les algorithmes d'apprentissage automatique courants.

Une bibliothèque Python pour la visualisation d'arbres de décision et l'interprétation de modèles.

Algorithmes de classification de texte : une étude

Cours de science des données 2015 de General Assembly à Washington, DC

Liste organisée des meilleures ressources en intelligence artificielle

Une collection d'algorithmes de pointe pour l'entraînement, le serving et l'interprétation de modèles de forêts de décision dans Keras.

Ollama pour les modèles de ML classiques. Compilateur AOT qui transforme les modèles XGBoost, LightGBM, scikit-learn, CatBoost et ONNX en code d'inférence C99 natif. Une commande pour charger, une commande pour diffuser. 336 fois plus rapide que l'inférence Python.

Impressionnez votre patron avec une visualisation interactive d'arbre de décision

Une bibliothèque pour entraîner, évaluer, interpréter et industrialiser des modèles de forêts de décision tels que Random Forest et Gradient Boosted Decision Trees