2 Repos
Awesome GitHub RepositoriesSemi-Supervised Learning
Learning paradigms that leverage a small amount of labeled data alongside a large volume of unlabeled data on graphs.
Distinct from Graph Machine Learning: Specializes Graph Machine Learning by focusing specifically on the semi-supervised training paradigm.
Explore 2 awesome GitHub repositories matching part of an awesome list · Semi-Supervised Learning. Refine with filters or upvote what's useful.
Awesome Semi-Supervised Learning GitHub Repositories
Finde die besten Repos mit KI.Wir suchen mit KI nach den am besten passenden Repositories.
- tkipf/pygcn
tkipf/pygcn
5,404Auf GitHub ansehenpygcn ist eine PyTorch-Bibliothek und ein Framework zur Implementierung von Graph Convolutional Networks. Sie bietet Tools für semi-überwachte Knotenklassifizierung und die Generierung von Knoteneinbettungen aus graphstrukturierten Daten. Das System konvertiert Graph-Knoten in niedrigdimensionale Vektoren basierend auf Nachbarschaftsmustern und lokalen Ähnlichkeiten. Es ermöglicht die Vorhersage von Knoten-Labels durch die Nutzung sowohl einer kleinen Menge gelabelter Beispiele als auch der gesamten Graphtopologie. Die Bibliothek deckt relationale Datenanalyse und semi-überwachtes Graph-Learning ab. Sie enthält Rechenprimitive für Message-Passing, Adjazenz-Transformation und symmetrische Normalisierung.
Training machine learning models on graphs where only a small fraction of the data points have known labels.
Python - akramz/hands-on-machine-learning-with-scikit-learn-keras-and-tensorflow
Akramz/Hands-on-Machine-Learning-with-Scikit-Learn-Keras-and-TensorFlow
1,041Auf GitHub ansehenDieses Projekt dient als Bildungs- und Praxisressource zur Beherrschung von Machine-Learning-Workflows mit Python. Es bietet eine umfassende Sammlung von Codebeispielen und Übungen, die Benutzer durch die Implementierung prädiktiver Systeme führen, von grundlegenden Algorithmen bis hin zu Deep-Learning-Architekturen. Das Repository zeichnet sich durch einen strukturierten Ansatz für sowohl klassisches Machine Learning als auch das Training neuronaler Netze aus. Es deckt den gesamten Lebenszyklus der Modellentwicklung ab, einschließlich der Orchestrierung wiederverwendbarer Datentransformations-Pipelines, fortgeschrittener Ensemble-Strategien wie Stacking und sequenziellem Training sowie Techniken zur Handhabung großer Datensätze durch inkrementelle Verarbeitung. Das Material umfasst ein breites Fähigkeitsspektrum, einschließlich Klassifizierung, Regression, Clustering und Dimensionsreduktion. Es bietet Tools für eine rigorose Modellevaluierung, wie Fehleranalyse und Leistungsmetriken, neben Optimierungstechniken wie Hyperparameter-Tuning, Regularisierung und automatisierten Trainingskontrollen, um die Zuverlässigkeit und Generalisierung von Modellen sicherzustellen. Der Inhalt ist als eine Reihe von Tutorials und praktischen Übungen organisiert, was es zu einer Referenz für den Aufbau und das Deployment intelligenter Systeme mit Standard-Industrie-Frameworks macht.
Propagates labels from a small set of representative instances to unlabeled data within the same cluster.
Jupyter Notebookartificial-intelligencedeep-learningmachine-learning
