decision-trees

基于决策树算法的快速、分布式、高性能梯度提升（GBT、GBDT、GBRT、GBM 或 MART）框架，用于排序、分类及其他机器学习任务。

一个快速、可扩展、高性能的梯度提升决策树库，支持排序、分类、回归及其他机器学习任务，适用于 Python、R、Java、C++，支持 CPU 与 GPU 计算。

包含斯坦福大学与 Deeplearning.ai（Coursera 2022）机器学习专项课程的解决方案与笔记，授课者 Andrew NG 教授

🍊 :bar_chart: :bulb: Orange：互动式数据分析

常见机器学习算法的 Python 代码

用于决策树可视化与模型解释的 Python 函式库

文本分类算法综述

General Assembly 于华盛顿特区举办的 2015 年 Data Science 课程

精选的最佳人工智慧资源清单

用于 Keras 中决策森林 (Decision Forest) 模型训练、服务与解释的最先进算法集合。

针对传统 ML 模型的 Ollama。能将 XGBoost、LightGBM、scikit-learn、CatBoost 与 ONNX 模型转为原生 C99 推论代码的 AOT 编译器。只需一个指令加载、一个指令提供服务。比 Python 推论快 336 倍。

用交互式决策树可视化惊艳你的老板

一个用于训练、评估、解释并将决策树模型（如随机森林和梯度提升树）投入生产的库。