scikit-learn

Concrete ML : framework de ML préservant la confidentialité utilisant le chiffrement homomorphe complet (FHE), construit sur Concrete, avec des liaisons vers les frameworks de ML traditionnels.

Une boîte à outils pour l'apprentissage automatique et l'apprentissage profond sur les séries temporelles

Algorithmes d'apprentissage métrique en Python.

Blocs supplémentaires pour les pipelines scikit-learn.

MOOC sur l'apprentissage automatique en Python avec scikit-learn.

Portfolio de projets de science des données réalisés à des fins académiques, d'auto-apprentissage et de loisir.

Extension pour Scikit-learn permettant d'accélérer facilement vos applications Scikit-learn

Projets de machine learning à petite échelle pour comprendre les concepts fondamentaux

Analyse de survie basée sur scikit-learn

Transpilez des estimateurs scikit-learn entraînés vers C, Java, JavaScript et autres.

Implémentations Python des algorithmes de clustering k-modes et k-prototypes, pour le clustering de données catégorielles.

ONNXMLTools permet la conversion de modèles vers ONNX

Exemples pour les boîtes à outils Intel® oneAPI.

Exemples et outils pour Windows ML.

Notes et solutions d'exercices de la première partie du livre : "Hands-On ML with Scikit-Learn, Keras & TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems" par Aurelien Geron.

Compilation de codes de programmation R et Python issus de la chaîne YouTube Data Professor.

Une boîte à outils d'apprentissage automatique topologique haute performance en Python.

Un module basé sur scikit-learn pour la classification multi-étiquettes et autres.

Validateurs croisés scikit-learn pour la stratification itérative de données multi-étiquettes.

Serveur d'inférence pour vos modèles de machine learning, incluant la prise en charge de multiples frameworks, le service multi-modèles et plus encore

Transformées en ondelettes avec accélération GPU en Python.

L'intelligence naturelle reste une idée assez pertinente.

Détection d'activité localisée spatio-temporellement en temps réel par suivi des points clés du corps.

L'ingénierie des caractéristiques est le processus consistant à utiliser les connaissances du domaine pour extraire des caractéristiques à partir de données brutes via des techniques de data mining. Ces caractéristiques peuvent être utilisées pour améliorer les performances des algorithmes d'apprentissage automatique. L'ingénierie des caractéristiques peut être considérée comme de l'apprentissage automatique appliqué.

DoubleML - Double Machine Learning en Python.

Collection d'outils d'IA pour les paris sportifs.

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

Guide du machine learning. Apprenez tout sur les outils, bibliothèques, frameworks, grands modèles de langage (LLM) et l'entraînement de modèles.

Client Python et boîte à outils pour DataFrames, Big Data, Machine Learning et ETL dans Elasticsearch

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