2 个仓库
Awesome GitHub RepositoriesDistribution Analysis
Techniques for examining dataset composition, including class balance and feature distributions, to inform preprocessing decisions.
Distinct from Visual Data Exploration: Distinct from Visual Data Exploration: focuses specifically on statistical and structural analysis of data distributions (e.g., class counts, balance) rather than general-purpose interactive plotting.
Explore 2 awesome GitHub repositories matching data & databases · Distribution Analysis. Refine with filters or upvote what's useful.
Awesome Distribution Analysis GitHub Repositories
用 AI 发现最棒的仓库。我们将通过 AI 为您搜索最匹配的仓库。
- mrdbourke/zero-to-mastery-ml
mrdbourke/zero-to-mastery-ml
5,839在 GitHub 上查看本项目是一个机器学习教育课程和学习平台，通过交互式 Jupyter Notebooks 提供。它作为掌握 Python 数据科学工具包的综合指南，为数值计算、表格数据操作和统计可视化提供结构化教程。 该课程包括 Scikit-Learn 的具体实现指南，以及关于构建、训练和部署神经网络及计算机视觉模型的 TensorFlow 实践课程。它涵盖了构建预测模型的端到端过程，从初始问题定义和任务分类，到通过交互式 Web 界面部署模型。 该项目涵盖了广泛的功能领域，包括多维数组的数值计算、探索性数据分析和数据预处理例程。它为监督和无监督学习、自动化机器学习流水线、超参数优化以及使用分类指标和交叉验证的模型评估提供了详细的工作流。 教育内容组织为一系列 Notebook，将 Python 代码与叙述性解释交织在一起，以记录数据科学工作流。
Provides techniques for examining dataset composition and class balance to inform preprocessing decisions.
Jupyter Notebookdata-sciencedeep-learningmachine-learning - christophm/interpretable-ml-book
christophM/interpretable-ml-book
5,317在 GitHub 上查看该项目是一个全面的教育资源和技术手册，专注于可解释机器学习和可解释 AI（XAI）。它作为一本教科书和参考资料，用于实现使复杂的机器学习模型对人类透明且易于理解的技术。 该资源提供了关于构建本质上透明的模型（如决策树和稀疏线性模型）以及将事后解释方法应用于黑盒系统的指导。它详细介绍了量化特征重要性、为单个预测生成理由以及使用代理模型近似复杂决策过程的具体方法。 内容涵盖了广泛的分析功能，包括全局和局部特征影响分析、计算机视觉可解释性以及使用 Shapley 值等博弈论贡献。它还通过可解释性评估、识别模型捷径的调试工作流以及透明算法结构的设计来解决模型评估问题。 该项目以 Jupyter Notebooks 集合的形式实现。
Measures the difference between a subset of prototypes and the overall data distribution.
Jupyter Notebook
