hyperparameter-optimization

Ray est un moteur de calcul pour l'IA. Il se compose d'un runtime distribué et d'un ensemble de bibliothèques IA pour accélérer les charges de travail ML.

Livre interactif sur le deep learning incluant code multi-framework, mathématiques et discussions. Adopté par 500 universités dans 70 pays, dont Stanford, MIT, Harvard et Cambridge.

Un framework d'optimisation d'hyperparamètres

La plateforme de développement IA. Utilisez Weights & Biases pour entraîner et affiner vos modèles, et gérez-les de l'expérimentation à la production.

ML rapide et précis en 3 lignes de code.

Un outil d'apprentissage automatique automatisé en Python qui optimise les pipelines de machine learning via la programmation génétique.

Apprentissage automatique automatisé avec scikit-learn.

Une bibliothèque rapide pour l'AutoML et le réglage. Rejoignez notre Discord : https://discord.gg/Cppx2vSPVP.

Notes, exercices de programmation et quiz de tous les cours de la spécialisation Deep Learning de Coursera proposée par deeplearning.ai : (i) Réseaux de neurones et Deep Learning ; (ii) Amélioration des réseaux de neurones profonds : réglage des hyperparamètres, régularisation et optimisation ; (iii) Structuration de projets de Machine Learning ; (iv) Réseaux de neurones convolutifs ; (v) Modèles de séquences.

Une liste organisée d'articles, tutoriels, présentations et projets sur l'apprentissage automatique automatisé

Infrastructure IA / Orchestration IA / Plan de contrôle IA

Package Python pour l'AutoML sur données tabulaires, incluant ingénierie des caractéristiques, réglage des hyperparamètres, explicabilité et documentation automatique

Determined est une plateforme d'apprentissage automatique open source qui simplifie l'entraînement distribué, le réglage des hyperparamètres, le suivi des expériences et la gestion des ressources. Compatible avec PyTorch et TensorFlow.

Une bibliothèque de réglage des hyperparamètres pour Keras.

Un framework d'entraînement pour les agents d'apprentissage par renforcement Stable Baselines3, incluant l'optimisation des hyperparamètres et des agents pré-entraînés.

Interface de recherche basée sur Python pour l'optimisation de boîtes noires et d'hyperparamètres, basée sur le service interne Google Vizier.

Expériences d'hyperparamètres avec TensorFlow et Keras

Robyn est un package open source de Marketing Mix Modeling (MMM) expérimental propulsé par l'IA/ML, développé par Meta Marketing Science. Notre mission est de démocratiser les connaissances en modélisation, d'inspirer l'industrie par l'innovation, de réduire les biais humains dans le processus de modélisation et de bâtir une communauté solide en science du marketing open source.

Optimisation légère avec des techniques locales, globales, basées sur la population et séquentielles à travers des espaces de recherche mixtes

SMAC3 : Un package d'optimisation bayésienne polyvalent pour l'optimisation des hyperparamètres

HyperView est un laboratoire de stratégie TradingView axé sur le terminal, permettant de télécharger des données de marché, de backtester des stratégies Python avec un comportement similaire à Pine, et d'optimiser les paramètres SL/TP.

Optimisation de l'apprentissage par renforcement avec RLOps. Algorithmes et outils RL de pointe, avec un entraînement 10 fois plus rapide grâce à l'optimisation évolutionnaire des hyperparamètres.

Agents LLM utilisés comme optimiseurs d'hyperparamètres

Exemples pour https://github.com/optuna/optuna

OCTIS : Comparer des modèles de sujets en toute simplicité ! Un package Python pour optimiser et évaluer les modèles de sujets (accepté à la session démo de l'EACL2021).

Tableau de bord Web en temps réel pour Optuna.

Framework de modélisation automatisée et de machine learning FEDOT

La bibliothèque d'AutoML la plus propre au monde ✨ - Effectuez l'optimisation des hyperparamètres avec les bonnes abstractions de pipeline pour concevoir des pipelines de production de deep learning propres. Attribuez des espaces d'hyperparamètres aux étapes de votre pipeline. Concevez les étapes de votre pipeline comme des composants. Compatible avec Scikit-Learn, TensorFlow et la plupart des autres bibliothèques, frameworks et environnements MLOps.

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...)

Un paquet Python pour l'optimisation simultanée des hyperparamètres et la sélection de caractéristiques pour les modèles Gradient Boosting.