gradient-boosting

Uma abordagem da teoria dos jogos para explicar a saída de qualquer modelo de machine learning.

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

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.

Ajuste modelos interpretáveis. Explique o aprendizado de máquina de caixa-preta.

Uma coleção de artigos de pesquisa sobre árvores de decisão, classificação e regressão com implementações.

Natural Gradient Boosting para previsão probabilística

Uma lista curada de artigos de mineração de dados sobre detecção de fraudes.

Uma lista curada de artigos de pesquisa sobre gradient boosting com implementações.

Uma estrutura de conjunto unificada para PyTorch para melhorar o desempenho e a robustez do seu modelo de deep learning.

Perpetual é uma máquina de gradient boosting de alto desempenho. Ela entrega precisão ideal em uma única execução sem ajustes complexos por meio de um parâmetro de orçamento simples. Possui suporte nativo para ML causal, aprendizado contínuo, calibração nativa e monitoramento robusto de desvio, além de núcleo em Rust e bindings sem cópia (zero-copy) para Python e R

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.

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