ensemble-learning

ML rapide et précis en 3 lignes de code.

H2O est une plateforme d'apprentissage automatique open source, distribuée, rapide et évolutive : Deep Learning, Gradient Boosting (GBM) & XGBoost, Random Forest, modélisation linéaire généralisée (GLM avec Elastic Net), K-Means, PCA, modèles additifs généralisés (GAM), RuleFit, machines à vecteurs de support (SVM), Stacked Ensembles, apprentissage automatique automatique (AutoML), etc.

Je suis convaincu que les étudiants de troisième cycle et les chercheurs d'emploi, auxquels ce livre est principalement destiné, tireront profit de sa lecture ; j'espère toutefois que même les chercheurs les plus expérimentés le trouveront fascinant.

Collection d'articles de recherche sur les arbres de décision, de classification et de régression avec implémentations.

Un framework d'apprentissage automatique pour Julia.

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

Tout sur l'apprentissage des données déséquilibrées/à longue traîne : articles, codes, frameworks et bibliothèques.

Un framework d'ensemble unifié pour PyTorch visant à améliorer les performances et la robustesse de vos modèles de deep learning.

Implémentation officielle de "ADBench: Anomaly Detection Benchmark", NeurIPS 2022.

Un framework Python efficace, évolutif et optimisé pour Deep Forest (2021.2.1).

Une collection de méthodes de détection d'anomalies (iid/basées sur des points, graphes et séries temporelles) incluant l'apprentissage actif pour la détection/découverte d'anomalies, l'exploration de règles bayésiennes, et la description pour la diversité/explication/interprétabilité. Analyse de l'intégration des retours d'étiquetage avec des détecteurs d'ensemble et basés sur des arbres. Inclut des attaques adverses avec Graph Convolutional Network.

Fusion de modèles dans les LLM, MLLM et au-delà : méthodes, théories, applications et opportunités. ACM Computing Surveys, 2026.

Package Python pour le stacking (technique de machine learning)

Code source officiel pour Neural Thickets: Diverse Task Experts Are Dense Around Pretrained Weights (ICML 2026 Spotlight).

Code pour IDS-ML : développement d'un système de détection d'intrusions utilisant des algorithmes de machine learning (Decision tree, random forest, extra trees, XGBoost, stacking, k-means, optimisation bayésienne...)

Bibliothèque Python pour la sélection dynamique de classifieurs et d'ensembles.