2 Repos
Awesome GitHub RepositoriesKernel-Based Classifiers
Classifiers that use kernel functions to map data into higher dimensions for non-linear separation.
Distinct from Supervised Classification: Focuses on kernel tricks for non-linear boundaries specifically, rather than general supervised classification workflows.
Explore 2 awesome GitHub repositories matching artificial intelligence & ml · Kernel-Based Classifiers. Refine with filters or upvote what's useful.
Awesome Kernel-Based Classifiers GitHub Repositories
Finde die besten Repos mit KI.Wir suchen mit KI nach den am besten passenden Repositories.
- rasbt/python-machine-learning-book
rasbt/python-machine-learning-book
12,614Auf GitHub ansehenThis project is an educational resource providing practical code examples and implementations of machine learning algorithms using the Python language. It serves as a guide for constructing predictive pipelines, clustering models, and dimensionality reduction within the Scikit-Learn ecosystem. The repository includes comprehensive demonstrations for supervised and unsupervised learning, as well as detailed examples for implementing neural networks and deep architectures. It also provides practical guidance on exporting model parameters to JSON and wrapping trained models in web APIs for produ
Implements non-linear classification using kernel tricks to find separating hyperplanes for non-linearly separable data.
Jupyter Notebook - astorfi/tensorflow-world
astorfi/TensorFlow-World
4,492Auf GitHub ansehenTensorFlow-World ist eine Sammlung von Tutorials, Implementierungsleitfäden und Modell-Templates für das Erstellen und Trainieren von Machine-Learning-Modellen mit dem TensorFlow-Framework. Es dient als Bildungsressource für das Design von Deep-Learning-Architekturen und die Implementierung prädiktiver Modelle. Das Projekt bietet sofort einsatzbereite Beispiele für die Konstruktion neuronaler Netzwerkarchitekturen und linearer Klassifikatoren. Es enthält Anleitungen zur Durchführung von Tensor-Operationen, automatischer Differenzierung und Gradient-Descent-Optimierung. Die Materialien decken eine Reihe von Machine-Learning-Funktionen ab, einschließlich der Nutzung von High-Level-Keras-Abstraktionen für die Modellkomposition, der Implementierung von Kernel-Klassifikatoren sowie der Entwicklung von Regressions- und Klassifikationssystemen.
Develops classifiers that use kernel functions to map data into higher dimensions for non-linear separation.
Python
