Awesome GitHub RepositoriesRegression Models

Scikit-learn is a machine learning library for predictive data analysis that provides a collection of algorithms for supervised and unsupervised learning. It functions as a comprehensive toolkit for data preprocessing, dimensionality reduction, and model selection, allowing users to classify data objects, predict continuous values, and cluster similar items based on historical patterns. The project is defined by a unified interface design where objects either learn from data, transform data, or chain these operations into sequential workflows. To ensure performance on large or high-dimensiona

This project is a comprehensive Chinese translation of a technical deep learning textbook, providing an educational resource on the theory and implementation of neural networks. It functions as a collaborative technical translation project designed to make complex academic AI literature accessible to non-English speakers. The project utilizes a community-driven translation model that integrates external suggestions and pull requests to refine linguistic accuracy and reduce bias. It employs standardized terminology mapping to ensure a uniform vocabulary throughout the translated content. To i

This project is a comprehensive deep learning framework and educational platform designed for constructing, training, and evaluating neural network architectures. It provides a modular environment for building models through tensor operations and automatic differentiation, supporting a wide range of tasks from image classification and object detection to sequential data processing. Beyond its core technical capabilities, the project distinguishes itself by integrating professional career development resources directly into its learning ecosystem. It offers structured guidance, resume reviews,

This project is a machine learning algorithm reference and implementation guide that provides theoretical foundations and code for supervised learning, deep learning, and natural language processing. It serves as a comprehensive toolkit for implementing predictive models and a technical reference for algorithm engineering. The project focuses on ensemble learning frameworks, including the construction of decision trees, random forests, and gradient boosting models. It also functions as a probabilistic graphical model library and an NLP algorithm reference, with specific implementations for se

This 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

This project is an agnostic model interpretability framework and explainability tool designed to provide local interpretable explanations for individual predictions. It functions as a local surrogate model that approximates the behavior of any machine learning classifier or regression model to identify the most influential features for a specific instance. The framework is designed to be model-agnostic, meaning it can explain predictions across tabular, text, and image data regardless of the underlying architecture. It employs local linear approximations and feature importance visualization t

This project is an automated machine learning framework and toolkit designed for training and tuning custom models for classification, regression, and recommendations. It functions as a multimodal machine learning toolkit capable of processing and training models using a combination of text, image, audio, and sensor data. The framework distinguishes itself as a multimodal data processor that can handle and visualize large datasets on a single machine using column-oriented disk storage. It includes a core machine learning model generator that converts trained models into formats compatible wit

This project is a comprehensive library for numerical linear algebra and scientific computing, designed to provide optimized routines for matrix decomposition, statistical modeling, and high-performance data analysis. It serves as both a toolkit for solving complex linear systems and an educational resource for understanding the fundamental algorithms behind matrix factorizations and numerical solvers. The library distinguishes itself through a focus on randomized numerical linear algebra, utilizing probabilistic algorithms and approximate methods to perform dimensionality reduction and matri

AutoGluon is an automated machine learning framework and multimodal library designed to automate the end-to-end pipeline from data preprocessing to high-accuracy model training and validation. It functions as an automated model trainer for tabular, image, text, and time series data, as well as a tool for time series forecasting and foundation model finetuning. The project is distinguished by its ability to jointly process and fuse different data types, allowing for the construction of multimodal neural networks that integrate images, text, and structured tables. It supports zero-shot inferenc

This project is a machine learning educational resource and implementation guide for Python. It provides a collection of executable code and notebooks that demonstrate predictive modeling, data analysis workflows, and the implementation of various machine learning algorithms. The repository features practical examples of classification, regression, and clustering tasks using Scikit-Learn, alongside tutorials for building and training deep learning architectures with TensorFlow. These include implementations of convolutional and recurrent networks. The content covers a broad range of capabili

This repository is a collection of implementation references and solved notebooks covering supervised, unsupervised, and reinforcement learning techniques. It provides practical guides for building predictive models, clustering algorithms, and autonomous agents. The project includes specific implementations for neural network architectures, such as multi-layer perceptrons for digit recognition, and recommender systems using collaborative and content-based filtering. It also features reinforcement learning systems that utilize deep Q-learning to optimize decision-making policies. The codebase

Este proyecto es una colección de notebooks interactivos para un curso de deep learning con TensorFlow. Proporciona recursos de aprendizaje guiados y tutoriales prácticos para implementar arquitecturas de redes neuronales, aprendizaje supervisado y aprendizaje por transferencia (transfer learning). Los materiales presentan una ruta de aprendizaje de visión artificial y guías específicas para el aprendizaje por transferencia, demostrando cómo adaptar modelos pre-entrenados a nuevas tareas. Incluye tutoriales para construir modelos de regresión y clasificadores de imágenes utilizando la API de alto nivel Keras. El alcance cubre pipelines de aprendizaje supervisado para clasificación binaria y multiclase, modelado de regresión y la construcción de redes neuronales convolucionales para el reconocimiento de texto escrito a mano. También aborda el procesamiento de datos de imágenes y el proceso de exportación de modelos entrenados para su despliegue. El proyecto se entrega como una serie de Jupyter Notebooks que combinan código ejecutable con texto enriquecido.

Este proyecto es un recurso educativo integral y manual técnico centrado en el machine learning interpretable y la IA explicable. Sirve como libro de texto y referencia para implementar técnicas que hacen que los modelos de machine learning complejos sean transparentes y comprensibles para los humanos. El recurso proporciona orientación tanto sobre la construcción de modelos inherentemente transparentes, como árboles de decisión y modelos lineales dispersos, como sobre la aplicación de métodos de explicación post-hoc a sistemas de caja negra. Detalla metodologías específicas para cuantificar la importancia de las características, generar fundamentos para predicciones individuales y utilizar modelos sustitutos para aproximar procesos complejos de toma de decisiones. El contenido cubre una amplia gama de capacidades analíticas, incluyendo el análisis de influencia de características globales y locales, la interpretabilidad de visión artificial y el uso de contribuciones de teoría de juegos como los valores de Shapley. También aborda la evaluación de modelos mediante evaluaciones de interpretabilidad, flujos de trabajo de depuración para identificar atajos de modelos y el diseño de estructuras de algoritmos transparentes. El proyecto se implementa como una colección de Jupyter Notebooks.

Este repositorio es un programa educativo integral y un framework de deep learning diseñado para enseñar aprendizaje profundo práctico usando PyTorch a través de notebooks y ejemplos de código. Sirve como una librería de alto nivel para construir, entrenar y desplegar redes neuronales, actuando como un orquestador de entrenamiento de modelos que coordina modelos de PyTorch, optimizadores y funciones de pérdida. El proyecto proporciona kits de herramientas especializados para visión artificial, procesamiento de lenguaje natural y preprocesamiento de datos tabulares. Se distingue por controles de entrenamiento avanzados como tasas de aprendizaje discriminativas, un sistema de callbacks bidireccional para personalizar la lógica de entrenamiento y una abstracción de learner de alto nivel que automatiza la colocación en dispositivos y los bucles de entrenamiento. El framework cubre una amplia superficie de capacidades, incluyendo la construcción automatizada de pipelines de datos, análisis de arquitectura de modelos y evaluación de rendimiento en tareas de clasificación, regresión y segmentación. También incluye utilidades para entrenamiento distribuido en múltiples GPUs, entrenamiento de precisión mixta para optimización de memoria y soporte especializado para datos de imágenes médicas. El proyecto se entrega como una serie de Jupyter Notebooks.

Este proyecto es una librería de PyTorch para construir y entrenar Kolmogorov-Arnold Networks. Implementa una arquitectura de red neuronal que reemplaza las funciones de activación fijas con funciones basadas en splines aprendibles en los bordes, sirviendo como una herramienta para machine learning interpretable. La implementación utiliza operaciones matriciales reformuladas para reducir la sobrecarga de memoria y aumentar la velocidad de computación. Emplea regularización L1 para dispersar los pesos de la red, lo que mejora la transparencia de la lógica interna y las decisiones del modelo. El framework cubre un rango de capacidades, incluyendo aproximación de funciones basada en cuadrículas, funciones de activación B-spline y optimización de modelos de deep learning. Estas características están construidas utilizando tensores nativos de PyTorch para soportar diferenciación automática y aceleración por hardware.