

H2O

Awesome H2O

以下是精选的所有令人敬畏的项目，应用程序，研究，教程，课程和书籍的清单 H2O ，一个开源的分布式机器学习平台. H2O提供了许多有监督和无监督机器学习算法的并行实现，例如通用线性模型，梯度提升机（包括XGBoost），随机森林，深度神经网络（深度学习），堆叠式集成，朴素贝叶斯，考克斯比例风险，K均值，PCA，Word2Vec以及全自动机器学习算法（AutoML）.

H2O.ai 产生很多 tutorials, blog posts, presentations 和 videos 有关H2O的内容，但以下列表由更大的H2O用户社区产生的精彩内容组成.

我们刚刚开始使用此列表，因此非常感谢拉取请求！ 请查看 contribution guidelines 在提出拉取请求之前. 如果您不是GitHub用户，但想做出贡献，请发送电子邮件至community@h2o.ai.

如果您也认为H2O很棒，请⭐ H2O GitHub repository.

Blog Posts & Tutorials

• Using H2O AutoML to simplify training process (and also predict wine quality) 2020年8月4日
• Visualizing ML Models with LIME
• Parallel Grid Search in H2O 2020年1月17日
• Importing, Inspecting and Scoring with MOJO models inside H2O 2019年12月10日
• Artificial Intelligence Made Easy with H2O.ai: A Comprehensive Guide to Modeling with H2O.ai and AutoML in Python 2019年6月12日
• Anomaly Detection With Isolation Forests Using H2O 2018年12月3日
• Predicting residential property prices in Bratislava using recipes - H2O Machine learning 2018年11月25日
• Inspecting Decision Trees in H2O 2018年11月7日
• Gentle Introduction to AutoML from H2O.ai 2018年9月13日
• Machine Learning With H2O — Hands-On Guide for Data Scientists Jun 27, 2018
• Using machine learning with LIME to understand employee churn 六月25，2018
• Analytics at Scale: h2o, Apache Spark and R on AWS EMR 2018年6月21日
• Automated and unmysterious machine learning in cancer detection 2017年11月7日
• Time series machine learning with h2o+timetk 2017年10月28日
• Sales Analytics: How to use machine learning to predict and optimize product backorders 2017年10月16日
• HR Analytics: Using machine learning to predict employee turnover 2017年9月18日
• Autoencoders and anomaly detection with machine learning in fraud analytics 2017年5月1日
• Building deep neural nets with h2o and rsparkling that predict arrhythmia of the heart 2017年2月27日
• Predicting food preferences with sparklyr (machine learning) 2017年2月19日
• Moving largish data from R to H2O - spam detection with Enron emails 2016年2月18日
• Deep learning & parameter tuning with mxnet, h2o package in R 2017年1月30日

Books

• Hands on Time Series with R 拉米·克里斯平（Rami Krispin）. （2019）
• Mastering Machine Learning with Spark 2.x Alex Tellez，Max Pumperla，Michal Malohlava. （2017）
• Machine Learning Using R Karthik Ramasubramanian，阿比舍克·辛格（Abhishek Singh）. （2016年）
• Practical Machine Learning with H2O: Powerful, Scalable Techniques for Deep Learning and AI 达伦·库克（Darren Cook）. （2016年）
• Disruptive Analytics 托马斯·丁斯莫尔（Thomas Dinsmore）. （2016年）
• Computer Age Statistical Inference: Algorithms, Evidence, and Data Science 布拉德利·埃夫隆（Bradley Efron），特雷弗·哈斯蒂（Trevor Hastie）. （2016年）
• R Deep Learning Essentials 约书亚·威利（Joshua F. （2016年）
• Spark in Action Petar Zecevic，Marko Bonacci. （2016年）
• Handbook of Big Data PeterBühlmann，Petros Drineas，Michael Kane，Mark J.van der Laan（2015）

Research Papers

• Forecasting Canadian GDP Growth with Machine Learning Shafiullah Qureshi，Ba Chu，Fanny S. Demers. （2021年）
• Morphological traits of reef corals predict extinction risk but not conservation status NussaïbahB. Raja，Andreas Lauchstedt，John M. Pandolfi，Sun W. Kim，Ann F. Budd，Wolfgang Kiessling. （2021年）
• Machine Learning as a Tool for Improved Housing Price Prediction 亨里克·W·沃尔斯塔德（Henrik I W.Wolstad）和迪德里克·德万（Didrik Dewan）. （2020年）
• Citizen Science Data Show Temperature-Driven Declines in Riverine Sentinel Invertebrates 蒂莫西·马奎尔（Timothy J. Maguire），斯科特·OC·蒙德尔（Scott OC Mundle）. （2020年）
• Predicting Risk of Delays in Postal Deliveries with Neural Networks and Gradient Boosting Machines MatildaSöderholm. （2020年）
• Stock Market Analysis using Stacked Ensemble Learning Method 马尔卡·塔克（Malkar Tackle）. （2020年）
• H2O AutoML: Scalable Automatic Machine Learning . 艾琳·莱德尔（Erin LeDell），塞巴斯蒂安·普里耶（Sebastien Poirier）. （2020年）
• Single-cell mass cytometry on peripheral blood identifies immune cell subsets associated with primary biliary cholangitis 金成章，布莱恩·朱兰（Brian D. （2020年）
• Prediction of the functional impact of missense variants in BRCA1 and BRCA2 with BRCA-ML 史蒂文·N·哈特（Steven N.Hart），埃里克·C·波利（Eric C. （2020年）
• Innovative deep learning artificial intelligence applications for predicting relationships between individual tree height and diameter at breast height 伊尔卡·埃坎利（İlkerErcanlı）. （2020年）
• An Open Source AutoML Benchmark Peter Gijsbers，Erin LeDell，Sebastien Poirier，Janet Thomas，Berndt Bischl，Joaquin Vanschoren. （2019）
• Machine Learning in Python: Main developments and technology trends in data science, machine learning, and artificial intelligence 塞巴斯蒂安·拉什卡（Sebastian Raschka），约书亚·帕特森（Joshua Patterson），科里·诺莱特（Corey Nolet）. （2019）
• Human actions recognition in video scenes from multiple camera viewpoints 费尔南多·伊塔诺（Fernando Itano），里卡多·皮雷斯（Ricardo Pires），米格尔·安杰洛·德·阿布鲁乌·德·索萨（Miguel Angelo de Abreu de Sousa），埃米利奥·德尔·莫拉尔·埃尔南德萨（Emilio Del-Moral-Hernandeza）. （2019）
• Extending MLP ANN hyper-parameters Optimization by using Genetic Algorithm 费尔南多·伊塔诺（Fernando Itano），米格尔·安杰洛·德·阿布鲁乌·德·索萨（Miguel Angelo de Abreu de Sousa），埃米利奥·德尔·莫拉·赫尔南德斯（Emilio Del-Moral-Hernandez）. （2018）
• askMUSIC: Leveraging a Clinical Registry to Develop a New Machine Learning Model to Inform Patients of Prostate Cancer Treatments Chosen by Similar Men Gregory B.Auffenberg，Khurshid R.Ghani，Shreyas Ramani，Etiowo Code，Brian Denton，Craig Rogers，Benjamin Stockton，David C.Miller，Karandeep Singh. （2018）
• Machine Learning Methods to Perform Pricing Optimization. A Comparison with Standard GLMs 乔治·阿尔弗雷多·斯佩迪卡托（Giorgio Alfredo Spedicato），克里斯托弗·杜唐（Christophe Dutang）和莱昂纳多·佩特里尼（Leonardo Petrini）. （2018）
• Comparative Performance Analysis of Neural Networks Architectures on H2O Platform for Various Activation Functions Yuriy Kochura，Sergii Stirenko，Yuri Gordienko. （2017）
• Algorithmic trading using deep neural networks on high frequency data AndrésArévalo，JaimeNiño，德国人Hernandez，Javier Sandoval，DiegoLeón，ArbeyAragón. （2017）
• Generic online animal activity recognition on collar tags 雅各布·W·卡明加，海伦娜·C·比斯比，杜克·V·勒，涅rv乐队，保罗·J·哈马加. （2017）
• Soil nutrient maps of Sub-Saharan Africa: assessment of soil nutrient content at 250 m spatial resolution using machine learning Tomislav Hengl，Johan GB Leenaars，Keith D.Shepherd，Markus G.Walsh，Gerard BM Heuvelink，Tekalign Mamo，Helina Tilahun，Ezra Berkhout，Matthew Cooper，Eric Fegraus，Ichsani Wheeler，Nketia A.Kwabena. （2017）
• Robust and flexible estimation of data-dependent stochastic mediation effects: a proposed method and example in a randomized trial setting Kara E. Rudolph, Oleg Sofrygin, Wenjing Zheng, and Mark J. van der Laan. (2017)
• Automated versus do-it-yourself methods for causal inference: Lessons learned from a data analysis competition 文森特·多里（Vincent Dorie），珍妮弗·希尔（Jennifer Hill），乌里·沙利特（Uri Shalit），马克·斯科特（Marc Scott），丹·塞文（Dan Cervone）. （2017）
• Using deep learning to predict the mortality of leukemia patients Reena Shaw Muthalaly. （2017）
• Use of a machine learning framework to predict substance use disorder treatment success 劳拉·阿西翁（Laura Acion），戴安娜·凯尔曼斯基（Diana Kelmansky），马克·范德兰（Mark van der Laan），伊桑·萨克（Ethan Sahker），德肖纳·琼斯（DeShauna Jones），斯蒂芬·阿恩德（Stephan Arnd）. （2017）
• Ultra-wideband antenna-induced error prediction using deep learning on channel response data Janis Tiemann，Johannes Pillmann，Christian Wietfeld. （2017）
• Inferring passenger types from commuter eigentravel matrices 埃里卡·菲尔·T·莱加拉（Erika Fille T. （2017）
• Deep neural networks, gradient-boosted trees, random forests: Statistical arbitrage on the S&P 500 克里斯托弗·克劳斯（Christopher Krauss），宣安·杜（Anna Xuan Anh），尼古拉斯·赫克（Nicolas Huckb）. （2016年）
• Identifying IT purchases anomalies in the Brazilian government procurement system using deep learning 西尔维奥·多明戈斯（Silvio L.Domingos），隆美尔·卡瓦略（Ronmel N.Carvalho），里卡多·卡瓦略（Ricardo S.Carvalho），吉尔赫姆·拉莫斯（Guilherme N.Ramos）. （2016年）
• Predicting recovery of credit operations on a Brazilian bank RogérioG. Lopes，Rommel N. Carvalho，Marcelo Ladeira，Ricardo S. Carvalho. （2016年）
• Deep learning anomaly detection as support fraud investigation in Brazilian exports and anti-money laundering Ebberth L. Paula，Marcelo Ladeira，Rommel N. Carvalho，ThiagoMarzagão. （2016年）
• Deep learning and association rule mining for predicting drug response in cancer Konstantinos N.Vougas，Thomas Jackson，Alexander Polyzos，Michael Liontos，Elizabeth O.Johnson，Vassilis Georgoulias，Paul Townsend，Jiri Bartek，Vassilis G.Gorgoulis. （2016年）
• The value of points of interest information in predicting cost-effective charging infrastructure locations 斯特凡妮·佛罗伦萨·维瑟（StéphanieFlorence Visser）. （2016年）
• Adaptive modelling of spatial diversification of soil classification units. Journal of Water and Land Development 斯坦尼斯瓦夫·格鲁什奇津斯克（KrzysztofUrbański）. （2016年）
• Scalable ensemble learning and computationally efficient variance estimation 艾琳·莱戴尔（Erin LeDell）. （2015年）
• Superchords: decoding EEG signals in the millisecond range 罗杰里奥·诺曼德（Rogerio Normand），雨果·亚历山大·费雷拉（Hugo Alexandre Ferreira）. （2015年）
• Understanding random forests: from theory to practice 吉尔斯·卢佩（Gilles Louppe）. （2014年）

Benchmarks

• Are categorical variables getting lost in your random forests? -分类编码方案的基准及其对基于树的模型的影响（Scikit学习与H2O）. 2016年10月28日
• Deep learning in R -2016年3月7日，开源深度学习软件包的基准测试
• Szilard's machine learning benchmark -通用开放源代码ML框架中的随机森林，GBM，深度学习和GLM实施基准. 2015年7月3日

Presentations

• Pipelines for model deployment 2017年4月25日
• Machine learning with H2O.ai 2017年1月23日

Courses

• University of San Francisco (USF) Distributed Data System Class (MSDS 697) -数据科学计划理学硕士.
• University of Oslo: Introduction to Automatic and Scalable Machine Learning with H2O and R -研究市场2019
• UCLA: Tools in Data Science (STATS 418) -应用统计硕士.
• GWU: Data Mining (Decision Sciences 6279) -商业分析理学硕士.
• University of Cape Town: Analytics Module -统计科学研究生荣誉课程.
• Coursera: How to Win a Data Science Competition: Learn from Top Kagglers -高级机器学习专业化.

Software

• modeltime.h2o R package：使用H2O AutoML进行预测
• Evaporate ：通过Javascript在浏览器中运行H2O模型. 更多信息 here.
• splash R package ：将用户界面飞溅到H2O MOJO文件上. 更多信息 here.
• h2oparsnip R package：一组包装器，用于将h2o算法与 parsnip 包裹.
• Spin up PySpark and PySparkling on AWS

License

在法律允许的范围内， H2O.ai 已放弃此作品的所有版权以及相关或邻近的权利.