feature-engineering

Uma ferramenta de Machine Learning automatizado em Python que otimiza pipelines de aprendizado de máquina usando programação genética.

Uma biblioteca Python de código aberto para engenharia de atributos automatizada

Alink é a plataforma de algoritmos de Machine Learning baseada em Flink, desenvolvida pela equipe PAI da plataforma de computação do Alibaba.

Pacote Python para AutoML em dados tabulares com engenharia de atributos, ajuste de hiperparâmetros, explicações e documentação automática.

Livro 6: 'Data Way' | Série Iris: da aritmética básica ao aprendizado de máquina; críticas e sugestões são bem-vindas!

O Apache Hamilton ajuda cientistas de dados e engenheiros a definir fluxos de dados testáveis, modulares e auto-documentados, que codificam linhagem/rastreamento e metadados. Executa e escala em qualquer lugar onde o Python execute.

Um serviço de classificação personalizada de Machine Learning low-code para artigos, listagens, resultados de pesquisa e recomendações que aumenta o engajamento do usuário. Um motor de Learn-to-Rank amigável.

TransmogrifAI (pronunciado trăns-mŏgˈrə-fī) é uma biblioteca de AutoML para construir fluxos de trabalho de aprendizado de máquina fortemente tipados, reutilizáveis e modulares no Apache Spark com ajuste manual mínimo

Biblioteca Python de código aberto para engenharia e seleção de recursos, compatível com sklearn.

O Virtual Feature Store. Transforme sua infraestrutura de dados existente em um feature store.

Feathr – Uma plataforma escalável e unificada de engenharia de dados e IA para empresas.

Robô de negociação inteligente: gera sinais automaticamente e realiza operações baseadas em aprendizado de máquina e engenharia de atributos.

Ações de Deep Learning e Machine Learning representam oportunidades promissoras tanto para investidores e traders de longo quanto de curto prazo.

OpenMLDB é um banco de dados de aprendizado de máquina de código aberto que fornece uma plataforma de recursos computando recursos consistentes para treinamento e inferência.

Backend multimodal unificado para aplicações de dados de IA

Previsão automatizada de séries temporais

Hopsworks - Plataforma de IA intensiva em dados com um Feature Store

Aprendizado de máquina para séries temporais em escala. Construído com Polars para extração de recursos e previsões em dados de painel altamente paralelizáveis.

NVTabular é uma biblioteca de engenharia de recursos e pré-processamento para dados tabulares, projetada para manipular rápida e facilmente conjuntos de dados em escala de terabytes usados para treinar sistemas de recomendação baseados em deep learning.

Uma biblioteca intuitiva para extrair características de séries temporais.

Bem-vindo ao repositório de e-books de Data Science! Esta coleção oferece diversos e-books de alta qualidade sobre Data Science, Machine Learning e IA. Perfeito tanto para iniciantes quanto para alunos avançados, explore estes recursos para aprofundar seu conhecimento e habilidades.

EvalML é uma biblioteca de AutoML escrita em Python.

Engenharia de recursos (feature engineering) é o processo de usar conhecimento do domínio para extrair recursos de dados brutos por meio de técnicas de mineração de dados. Esses recursos podem ser usados para melhorar o desempenho de algoritmos de aprendizado de máquina. A engenharia de recursos pode ser considerada como o próprio aprendizado de máquina aplicado.

Código para competições de ciência de dados do Kaggle

Temporian é uma biblioteca Python de código aberto para pré-processamento ⚡ e engenharia de recursos 🛠 de dados temporais 📈 para aplicações de machine learning 🤖

BharatMLStack é uma pilha de infraestrutura de aprendizado de máquina de ponta a ponta de código aberto, construída na Meesho para suportar cargas de trabalho de ML em tempo real e em lote na escala da Índia

Planejamento de tarefas diárias totalmente gratuito, conveniente e rápido

Curso de Machine Learning Serverless para construir serviços de previsão habilitados para IA a partir de modelos e features

Use estratégias avançadas de engenharia de recursos e selecione as melhores características do seu conjunto de dados com uma única linha de código. Criado por Ram Seshadri. Colaboradores são bem-vindos.

Ciclo de vida completo de um projeto de ciência de dados