random-forest

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

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.

Orange : analyse de données interactive.

Code Python pour les algorithmes d'apprentissage automatique courants.

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

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

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

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

Une liste organisée d'articles de recherche sur le data mining appliqués à la détection de la fraude.

Algorithmes de classification de texte : une étude

Liste organisée des meilleures ressources en intelligence artificielle

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

Forêts aléatoires généralisées (Generalized Random Forests).

Une liste organisée d'articles de recherche sur le gradient boosting avec leurs implémentations.

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

Moteur d'inférence d'apprentissage automatique pour microcontrôleurs et appareils embarqués

ThunderGBM : GBDT et forêts aléatoires rapides sur GPU

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

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

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...)

ProphitBet est une application de prédiction de paris de football basée sur le Machine Learning. Elle analyse la forme des équipes, calcule les statistiques des matchs et prédit les résultats d'un match à l'aide de méthodes avancées de Machine Learning (ML). Les algorithmes pris en charge dans cette application sont les réseaux de neurones, les forêts d'arbres décisionnels (Random Forests) et les modèles d'ensemble (Ensemble Models).

Compendium de ressources de lecture gratuites sur le ML.

Bibliothèque de Machine Learning pour le web et Node.

Implémentation de l'algorithme Robust Random Cut Forest pour la détection d'anomalies sur les flux de données.