Gradient Boosting 相关的热门 GitHub AI项目仓库

运用博弈论解释任何机器学习模型的输出。

一个快速、分布式、高性能的梯度提升(GBT、GBDT、GBRT、GBM或MART)框架，基于决策树算法，用于排序、分类和许多其他机器学习任务。

使用NumPy进行机器学习

一本易懂的强化学习中文教程（也称“蘑菇书”），可以在线阅读：https://datawhalechina.github.io/easy-rl/

一款使用遗传编程优化机器学习管道的Python自动化机器学习工具。

简单的强化学习教程，莫烦Python中文AI教学

一个优雅的PyTorch深度强化学习库。

一个快速、可扩展、高性能的基于决策树的梯度提升库，用于Python、R、Java、C++的排序、分类、回归和其他机器学习任务。支持CPU和GPU计算。

高质量的单文件深度强化学习算法实现，包含便于研究的特性（PPO、DQN、C51、DDPG、TD3、SAC、PPG）

卷积神经网络可视化技术的PyTorch实现

构建可解释的模型。解释黑盒机器学习。

Gorgonia是一个帮助在Go语言中进行机器学习的库。

DQN、AC、ACER、A2C、A3C、PG、DDPG、TRPO、PPO、SAC、TD3等强化学习算法的PyTorch实现

关于决策树、分类树和回归树及其实现方法的研究论文集

Python 中快速简单的无限神经网络

PyTorch 中裁剪目标近端策略优化 (PPO) 的最小实现

一个用于评估常用开源机器学习算法（例如R包、Python scikit-learn、H2O、xgboost、Spark MLlib等）在二元分类任务（随机森林、梯度提升树、深度神经网络等）上的可扩展性、速度和准确性的最小基准测试。

文本分类算法综述

概率预测的自然梯度提升

在三种不同场景下，使用PyTorch实现各种持续学习方法（XdG、EWC、SI、LwF、FROMP、DGR、BI-R、ER、A-GEM、iCaRL、生成式分类器）。