xgboost

Bibliothèque de Gradient Boosting (GBDT, GBRT ou GBM) évolutive, portable et distribuée pour Python, R, Java, Scala, C et plus encore. Fonctionne sur une machine unique, Hadoop, Spark, Dask, Flink et DataFlow.

Plateforme standardisée d'inférence IA générative et prédictive distribuée pour un déploiement multi-framework évolutif sur Kubernetes.

Alink est une plateforme d'algorithmes de Machine Learning basée sur Flink, développée par l'équipe PAI de la plateforme de calcul d'Alibaba.

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.

Transformez des modèles ML en code natif (Java, C, Python, Go, JavaScript, Visual Basic, C#, R, PowerShell, PHP, Dart, Haskell, Ruby, F#, Rust) sans dépendances

Une bibliothèque pour déboguer/inspecter les classifieurs d'apprentissage automatique et expliquer leurs prédictions.

Mars est un framework unifié basé sur les tenseurs pour le calcul de données à grande échelle, faisant évoluer numpy, pandas, scikit-learn et les fonctions Python

Serveur et interface en ligne de commande (CLI) de Deep Learning pour Torch et TensorRT

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

Entraînement distribué de modèles d'IA et fine-tuning de LLM sur Kubernetes

Visualisez automatiquement n'importe quel jeu de données, quelle que soit sa taille, avec une seule ligne de code. Créé par Ram Seshadri. Collaborateurs bienvenus. Autorisation accordée sur demande.

Bibliothèque Python pour la prévision de séries temporelles utilisant des modèles compatibles avec scikit-learn, des méthodes statistiques et des modèles de fondation.

Apprentissage automatique évolutif pour la prévision de séries temporelles.

Data Science et ML en Python, scalables, ultra-rapides et compatibles avec les API.

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

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

Une extension de XGBoost pour la modélisation probabiliste

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.

Utilisez des stratégies avancées d'ingénierie des fonctionnalités et sélectionnez les meilleures variables de votre jeu de données en une seule ligne de code. Créé par Ram Seshadri. Contributeurs bienvenus.

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

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...)

Service web REST pour le scoring en temps réel (<1 ms) de modèles Scikit-Learn, R et Apache Spark

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

Une interface unifiée pour les algorithmes d'optimisation et les expérimentations

Construisez automatiquement plusieurs modèles ML avec une seule ligne de code. Créé par Ram Seshadri. Collaborateurs bienvenus. Permission accordée sur demande.