ensemble-learning

3行のコードで実現する高速かつ正確なML

H2Oは、オープンソースで分散型、高速かつスケーラブルな機械学習プラットフォームです。ディープラーニング、Gradient Boosting (GBM) & XGBoost、Random Forest、一般化線形モデル (Elastic Net付きGLM)、K-Means、PCA、一般化加法モデル (GAM)、RuleFit、サポートベクターマシン (SVM)、スタックドアンサンブル、自動機械学習 (AutoML) など。

この本が主に想定する大学院生や求職者の皆様には有益であると確信していますが、最も経験豊富な研究者の方々にも魅力的だと感じていただければ幸いです。

決定木、分類木、回帰木に関する研究論文と実装のコレクション

Juliaの機械学習フレームワーク

ワシントン D.C. で開催された General Assembly の 2015 年データサイエンスコース

😎 クラス不均衡およびロングテール学習に関するすべて：論文、コード、フレームワーク、ライブラリ

ディープラーニングモデルの性能とロバスト性を向上させるための、PyTorch向け統合アンサンブルフレームワーク。

「ADBench: Anomaly Detection Benchmark」(NeurIPS 2022)の公式実装

Deep Forest 向けの効率的、スケーラブルかつ最適化された Python フレームワーク (2021.2.1)

異常検知・発見のためのアクティブラーニング、ベイズ規則マイニング、多様性/説明/解釈可能性のための記述を含む、異常検知手法（IID/ポイントベース、グラフ、時系列）のコレクション。アンサンブルおよびツリーベースの検知器へのラベルフィードバックの統合分析。Graph Convolutional Networkを用いた敵対的攻撃を含む。

LLM、MLLM、およびその先のモデルマージ：手法、理論、応用、そして展望。ACM Computing Surveys、2026年。

スタッキング（機械学習の手法）用の Python パッケージ

「Neural Thickets: Diverse Task Experts Are Dense Around Pretrained Weights」(ICML 2026 Spotlight)の公式コードベース

IDS-ML のコード：機械学習アルゴリズム（決定木、ランダムフォレスト、エクストラツリー、XGBoost、スタッキング、k-means、ベイズ最適化など）を使用した侵入検知システム開発

動的分類器およびアンサンブル選択のためのPythonライブラリ