decision-trees

Kerangka kerja gradient boosting (GBT, GBDT, GBRT, GBM, atau MART) yang cepat, terdistribusi, dan berkinerja tinggi berdasarkan algoritma pohon keputusan, digunakan untuk pemeringkatan, klasifikasi, dan berbagai tugas pembelajaran mesin lainnya.

Pustaka Gradient Boosting on Decision Trees yang cepat, dapat disesuaikan, dan berkinerja tinggi, digunakan untuk pemeringkatan, klasifikasi, regresi, dan tugas pembelajaran mesin lainnya untuk Python, R, Java, C++. Mendukung komputasi pada CPU dan GPU.

Berisi Solusi dan Catatan untuk Machine Learning Specialization oleh Stanford University dan Deeplearning.ai - Coursera (2022) oleh Prof. Andrew NG

🍊 :bar_chart: :bulb: Orange: Analisis data interaktif

Kode Python untuk algoritma Machine Learning umum

Pustaka Python untuk visualisasi pohon keputusan dan interpretasi model.

Algoritma Klasifikasi Teks: Sebuah Survei

Kursus Data Science General Assembly 2015 di Washington, DC

Daftar kurasi Sumber Daya Kecerdasan Buatan Terbaik

Kumpulan algoritma mutakhir untuk pelatihan, penyajian, dan interpretasi model Decision Forest di Keras.

Ollama untuk model ML klasik. Kompiler AOT yang mengubah model XGBoost, LightGBM, scikit-learn, CatBoost & ONNX menjadi kode inferensi C99 asli. Satu perintah untuk memuat, satu perintah untuk melayani. 336x lebih cepat daripada inferensi Python.

Buat atasan Anda terkesan dengan visualisasi Decision Tree interaktif.

Pustaka untuk melatih, mengevaluasi, menginterpretasi, dan memproduksi model hutan keputusan seperti Random Forest dan Gradient Boosted Decision Trees.