decision-trees

Một framework gradient boosting (GBT, GBDT, GBRT, GBM hoặc MART) nhanh, phân tán, hiệu suất cao dựa trên thuật toán cây quyết định, được sử dụng cho các tác vụ xếp hạng, phân loại và nhiều tác vụ học máy khác.

Một thư viện Gradient Boosting trên cây quyết định nhanh, có thể mở rộng và hiệu năng cao, được sử dụng cho các tác vụ xếp hạng, phân loại, hồi quy và học máy khác cho Python, R, Java, C++. Hỗ trợ tính toán trên CPU và GPU.

Chứa các giải pháp và ghi chú cho Chuyên ngành Học máy của Đại học Stanford và Deeplearning.ai - Coursera (2022) bởi Giáo sư Andrew NG

🍊 :bar_chart: :bulb: Orange: Phân tích dữ liệu tương tác

Mã nguồn Python cho các thuật toán Machine Learning phổ biến

Một thư viện Python để trực quan hóa cây quyết định và diễn giải mô hình.

Các thuật toán phân loại văn bản: Một khảo sát

Khóa học Khoa học dữ liệu năm 2015 của General Assembly tại Washington, DC

Danh sách chọn lọc các tài nguyên Trí tuệ Nhân tạo tốt nhất

Bộ sưu tập các thuật toán hiện đại để huấn luyện, phục vụ và diễn giải các mô hình Decision Forest trong Keras.

Ollama cho các mô hình ML cổ điển. Trình biên dịch AOT chuyển đổi các mô hình XGBoost, LightGBM, scikit-learn, CatBoost và ONNX thành mã suy luận C99 gốc. Một lệnh để tải, một lệnh để phục vụ. Nhanh hơn 336 lần so với suy luận bằng Python.

Gây ấn tượng với sếp của bạn bằng hình ảnh hóa Cây quyết định tương tác

Một thư viện để huấn luyện, đánh giá, diễn giải và đưa vào sản xuất các mô hình rừng quyết định như Random Forest và Gradient Boosted Decision Trees.