awesome-repositories.com
Blog
awesome-repositories.com

Découvrez les meilleurs dépôts open-source grâce à notre recherche par IA.

ExplorerRecherches sélectionnéesAlternatives open sourceLogiciels auto-hébergésBlogPlan du site
ProjetÀ proposNotre méthodologiePresseServeur MCP
Mentions légalesConfidentialitéConditions d'utilisation
© 2026 Bringes Technology SRL·VAT RO45896025·hello@awesome-repositories.com
·

1 dépôt

Awesome GitHub RepositoriesLearning Task Selection

The process of determining the appropriate machine learning approach based on the problem type and data availability.

Distinct from Learning Task Decomposition: Focuses on the high-level strategic choice between supervised, unsupervised, and transfer learning rather than the implementation of a specific task.

Explore 1 awesome GitHub repository matching artificial intelligence & ml · Learning Task Selection. Refine with filters or upvote what's useful.

Awesome Learning Task Selection GitHub Repositories

Trouvez les meilleurs dépôts grâce à l'IA.Nous recherchons les dépôts les plus pertinents grâce à l'IA.
  • mrdbourke/zero-to-mastery-mlAvatar de mrdbourke

    mrdbourke/zero-to-mastery-ml

    5,839Voir sur GitHub↗

    Ce projet est un cursus éducatif en machine learning et une plateforme d'apprentissage délivrée via des Jupyter Notebooks interactifs. Il sert de guide complet pour maîtriser le toolkit de science des données Python, fournissant des tutoriels structurés pour le calcul numérique, la manipulation de données tabulaires et la visualisation statistique. Le cursus inclut des guides d'implémentation spécifiques pour Scikit-Learn et un cours pratique sur TensorFlow pour construire, entraîner et déployer des réseaux de neurones et des modèles de vision par ordinateur. Il couvre le processus de bout en bout de la construction de modèles prédictifs, de la formulation initiale du problème et de la catégorisation des tâches au déploiement des modèles via des interfaces web interactives. Le projet couvre une large surface de capacités incluant le calcul numérique avec des tableaux multidimensionnels, l'analyse exploratoire des données et les routines de prétraitement des données. Il fournit des flux de travail détaillés pour l'apprentissage supervisé et non supervisé, les pipelines de machine learning automatisés, l'optimisation des hyperparamètres et l'évaluation des modèles utilisant des métriques de classification et la validation croisée. Le contenu éducatif est organisé sous forme d'une série de notebooks qui entremêlent code Python et explications narratives pour documenter les flux de travail en science des données.

    Provides a framework for identifying whether a business challenge requires supervised, unsupervised, or transfer learning.

    Jupyter Notebookdata-sciencedeep-learningmachine-learning
    Voir sur GitHub↗5,839
  1. Home
  2. Artificial Intelligence & ML
  3. Learning Task Selection