decision-trees

Um framework de gradient boosting (GBT, GBDT, GBRT, GBM ou MART) rápido, distribuído e de alto desempenho baseado em algoritmos de árvore de decisão, usado para classificação, ranqueamento e outras tarefas de aprendizado de máquina.

Uma biblioteca de Gradient Boosting on Decision Trees rápida, escalável e de alto desempenho, usada para classificação, regressão, ranking e outras tarefas de aprendizado de máquina para Python, R, Java e C++. Suporta computação em CPU e GPU.

Contém soluções e notas para a Especialização em Machine Learning da Stanford University e Deeplearning.ai - Coursera (2022) pelo Prof. Andrew NG

Orange: Análise de dados interativa

Código Python para algoritmos comuns de Machine Learning

Uma biblioteca Python para visualização de árvores de decisão e interpretação de modelos.

Algoritmos de classificação de texto: um levantamento.

Curso de Ciência de Dados de 2015 da General Assembly em Washington, DC.

Uma lista curada dos melhores recursos de Inteligência Artificial

Uma coleção de algoritmos de última geração para treinamento, atendimento e interpretação de modelos de Decision Forest em Keras.

Ollama para modelos de ML clássicos. Compilador AOT que transforma modelos XGBoost, LightGBM, scikit-learn, CatBoost e ONNX em código de inferência C99 nativo. Um comando para carregar, um comando para servir. 336x mais rápido que a inferência em Python.

Impressione seu chefe com visualização interativa de Árvore de Decisão

Uma biblioteca para treinar, avaliar, interpretar e colocar em produção modelos de florestas de decisão, como Random Forest e Gradient Boosted Decision Trees.