awesome-repositories.com
Blog
awesome-repositories.com

Descubre los mejores repositorios open-source con nuestra búsqueda potenciada por IA.

ExplorarBúsquedas curadasAlternativas open-sourceSoftware autohospedableBlogMapa del sitio
ProyectoAcerca deCómo clasificamosPrensaServidor MCP
Aviso legalPrivacidadTérminos
© 2026 Bringes Technology SRL·VAT RO45896025·hello@awesome-repositories.com
·

2 repositorios

Awesome GitHub RepositoriesClassification Algorithms

Supervised learning methods for predicting discrete class labels.

Distinguishing note: Focuses on discrete label prediction.

Explore 2 awesome GitHub repositories matching artificial intelligence & ml · Classification Algorithms. Refine with filters or upvote what's useful.

Awesome Classification Algorithms GitHub Repositories

Encuentra los mejores repositorios con IA.Buscaremos los repositorios que mejor coincidan usando IA.
  • jakevdp/pythondatasciencehandbookAvatar de jakevdp

    jakevdp/PythonDataScienceHandbook

    48,561Ver en GitHub↗

    This project is an interactive data science environment that combines code execution, rich media visualization, and narrative documentation into a persistent, browser-based platform. It serves as a comprehensive educational resource for scientific computing, providing a framework for iterative data analysis and machine learning prototyping. The environment is distinguished by its focus on high-performance numerical computing, utilizing vectorized array operations and memory-mapped data structures to handle large-scale computations efficiently. It features a unified estimator interface that st

    Builds models to predict discrete labels from input data.

    Jupyter Notebookjupyter-notebookmatplotlibnumpy
    Ver en GitHub↗48,561
  • akramz/hands-on-machine-learning-with-scikit-learn-keras-and-tensorflowAvatar de Akramz

    Akramz/Hands-on-Machine-Learning-with-Scikit-Learn-Keras-and-TensorFlow

    1,041Ver en GitHub↗

    Este proyecto sirve como recurso educativo y práctico para dominar flujos de trabajo de machine learning utilizando Python. Proporciona una colección integral de ejemplos de código y ejercicios diseñados para guiar a los usuarios a través de la implementación de sistemas predictivos, desde algoritmos fundamentales hasta arquitecturas de aprendizaje profundo. El repositorio se distingue por ofrecer un enfoque estructurado tanto para el machine learning clásico como para el entrenamiento de redes neuronales. Cubre el ciclo de vida completo del desarrollo de modelos, incluyendo la orquestación de pipelines de transformación de datos reutilizables, estrategias de conjunto avanzadas como el apilamiento y el entrenamiento secuencial, y técnicas para manejar conjuntos de datos a gran escala mediante procesamiento incremental. El material abarca una amplia superficie de capacidades, incluyendo clasificación, regresión, clustering y reducción de dimensionalidad. Proporciona herramientas para una evaluación rigurosa de modelos, como análisis de errores y métricas de rendimiento, junto con técnicas de optimización como el ajuste de hiperparámetros, regularización y controles de entrenamiento automatizados para garantizar la fiabilidad y generalización del modelo. El contenido está organizado como una serie de tutoriales y ejercicios prácticos, convirtiéndose en una referencia para construir y desplegar sistemas inteligentes con frameworks estándar de la industria.

    Separates data classes by fitting the widest possible boundary between them using support vectors to improve generalization.

    Jupyter Notebookartificial-intelligencedeep-learningmachine-learning
    Ver en GitHub↗1,041
  1. Home
  2. Artificial Intelligence & ML
  3. Classification Algorithms