ensemble-learning

3줄의 코드로 구현하는 빠르고 정확한 ML

H2O는 오픈 소스 분산형 고성능 확장 가능한 머신러닝 플랫폼입니다: 딥러닝, 그래디언트 부스팅(GBM) 및 XGBoost, 랜덤 포레스트, 일반화 선형 모델(Elastic Net이 포함된 GLM), K-Means, PCA, 일반화 가법 모델(GAM), RuleFit, 서포트 벡터 머신(SVM), 스택 앙상블, 자동 머신러닝(AutoML) 등

주요 독자인 대학원생과 구직자뿐만 아니라 경험 많은 연구원에게도 흥미롭고 유익한 책입니다.

구현체가 포함된 결정, 분류 및 회귀 트리에 관한 연구 논문 모음

Julia 머신러닝 프레임워크

워싱턴 DC에서 진행된 General Assembly의 2015년 데이터 사이언스 과정

클래스 불균형 및 롱테일 학습에 관한 모든 것: 논문, 코드, 프레임워크, 라이브러리

딥러닝 모델의 성능과 견고성을 향상하기 위한 PyTorch 통합 앙상블 프레임워크

"ADBench: Anomaly Detection Benchmark" (NeurIPS 2022) 공식 구현체

딥 포레스트를 위한 효율적이고 확장 가능하며 최적화된 Python 프레임워크 (2021.2.1)

이상 탐지/발견을 위한 액티브 러닝, 베이지안 규칙 마이닝, 다양성/설명 가능성을 포함하는 이상 탐지 방법(iid/포인트 기반, 그래프 및 시계열) 모음입니다. 앙상블 및 트리 기반 탐지기와 라벨 피드백을 결합하는 분석을 포함하며, Graph Convolutional Network를 이용한 적대적 공격을 포함합니다.

LLM, MLLM 및 그 너머의 모델 병합: 방법론, 이론, 응용 및 기회. ACM Computing Surveys, 2026.

스태킹(머신러닝 기법)을 위한 Python 패키지

"Neural Thickets: Diverse Task Experts Are Dense Around Pretrained Weights" (ICML 2026 Spotlight) 공식 코드베이스

머신러닝 알고리즘(의사결정 나무, 랜덤 포레스트, 엑스트라 트리, XGBoost, 스태킹, k-means, 베이지안 최적화 등)을 활용한 침입 탐지 시스템(IDS-ML) 개발 코드

동적 분류기 및 앙상블 선택을 위한 Python 라이브러리입니다.