decision-trees

基於決策樹演算法的快速、分散式、高效能梯度提升（GBT、GBDT、GBRT、GBM 或 MART）框架，用於排序、分類及其他機器學習任務。

一個快速、可擴展、高效能的梯度提升決策樹函式庫，支援排名、分類、回歸及其他機器學習任務，適用於 Python、R、Java、C++，支援 CPU 與 GPU 計算。

包含斯坦福大學與 Deeplearning.ai（Coursera 2022）機器學習專項課程的解決方案與筆記，授課者 Andrew NG 教授

🍊 :bar_chart: :bulb: Orange：互動式資料分析

常見機器學習演算法的 Python 代碼

用於決策樹可視化與模型解釋的 Python 函式庫

文本分類演算法綜述

General Assembly 於華盛頓特區舉辦的 2015 年 Data Science 課程

精選的最佳人工智慧資源清單

用於 Keras 中決策森林 (Decision Forest) 模型訓練、服務與解釋的最先進演算法集合。

針對傳統 ML 模型的 Ollama。能將 XGBoost、LightGBM、scikit-learn、CatBoost 與 ONNX 模型轉為原生 C99 推論程式碼的 AOT 編譯器。只需一個指令載入、一個指令提供服務。比 Python 推論快 336 倍。

用互動式決策樹視覺化驚豔你的老闆

一個用於訓練、評估、解釋並將決策樹模型（如隨機森林和梯度提升決策樹）投產的程式庫。