Jupyter Notebook Repositories
Insgesamt 1,614 Repositories
Computer Vision Projekte | Lustige KI-Projekte im Bereich Computer Vision (Python, C++, eingebettetes System)
Jupyter-Erweiterungen, die Ihnen helfen, Code schneller zu schreiben: Kontextbezogene KI-Unterhaltung, Autovervollständigung und Tabellenkalkulation
LeetCode für PyTorch — 65 ML-/KI-Interviewaufgaben aus echten Vorstellungsgesprächen bei Google, Meta und Anthropic. Jupyter-Notebooks, ein automatischer Bewerter und ein MCP-KI-Tutor.
Apache Hamilton hilft Datenwissenschaftlern und Ingenieuren, testbare, modulare, selbstdokumentierende Datenflüsse zu definieren, die Abstammung/Rückverfolgung und Metadaten kodieren. Läuft und skaliert überall dort, wo Python läuft.
Notebooks, Codebeispiele und Referenzen für maschinelles Lernen und generative KI auf Google Cloud für die Advanced Solutions Lab (ASL) Bootcamps.
Interaktive Dashboards in Python zum Erlernen von Data Science
TensorFlow-, Keras-, Tensorflow.js- und Tflite-Modelle in ONNX konvertieren
Ollama in der Praxis: Große Modelle mit der CPU bereitstellen, Online-Leseadresse: https://datawhalechina.github.io/handy-ollama/
Face Depixelizer basierend auf dem Repository "PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of Generative Models".
Dieses Repository enthält eine Liste von Python-Skriptprojekten, die langsam vom Anfängerniveau fortschreiten. Bald werden weitere Code-Schnipsel hinzugefügt. Klonen Sie dieses Repo gerne.
Vereinfachte Implementierungen von Deep Learning-bezogenen Arbeiten
Ein Bildungssystem für Software mit einem winzigen selbst-kompilierenden C-Compiler, einem winzigen selbst-ausführenden RISC-V-Emulator und einem winzigen selbst-hostenden RISC-V-Hypervisor.
Dieses Repository enthält verschiedene fortschrittliche Techniken für Retrieval-Augmented Generation (RAG)-Systeme.
Vorlesungsunterlagen für Lineare Algebra mit Python. Diese Reihe von Vorlesungsunterlagen führt Sie durch alle wichtigen Konzepte, die das Fundament der Data Science oder fortgeschrittener quantitativer Fähigkeiten bilden. Geeignet für Statistiker/Ökonometriker, quantitative Analysten, Datenwissenschaftler usw., um die Lineare Algebra mit Hilfe von Python-Berechnungen und Visualisierungen schnell aufzufrischen.
Machine-Learning-Lektionen und Lehrmaterialien, die für Ingenieure konzipiert sind
Dies ist das Repository für unser neues Projekt Highly Accurate Dichotomous Image Segmentation
Jupyter Notebook-Tutorials zum Lösen realer Probleme mit Machine Learning & Deep Learning unter Verwendung von PyTorch. Themen: Gesichtserkennung mit Detectron 2, Anomalieerkennung in Zeitreihen mit LSTM Autoencoders, Objekterkennung mit YOLO v5, Erstellen Ihres ersten Neural Network, Zeitreihenprognose für tägliche Coronavirus-Fälle, Sentiment Analysis mit BER
PyTorch-Implementierung von SimCLR: Ein einfaches Framework für kontrastives Lernen visueller Darstellungen
Code für das Buch Make Your Own Neural Network
Dieses Repository enthält die Übungen und deren Lösungen aus dem Buch "An Introduction to Statistical Learning" in Python.
Über die Code-Veröffentlichung für „Autoformer: Decomposition Transformers mit Auto-Korrelation für die Langzeitreihenprognose“ (NeurIPS 2021), https://arxiv.org/abs/2106.13008
EfficientSAM: Masked Image Pretraining für effiziente Segment Anything genutzt
Bauen Sie einen E-Mail-Assistenten mit menschlicher Beteiligung und Gedächtnis
Umgang mit allen unstrukturierten Daten, wie z. B. umgekehrte Bildsuche, Audio-Suche, Molekularsuche, Videoanalyse, Frage-Antwort-Systeme, NLP usw.
SDK für die Interaktion mit stability.ai APIs (z. B. Stable Diffusion Inference)
3D U-Net-Modell für volumetrische semantische Segmentierung in PyTorch geschrieben
Qwen-UI-Agent: Auf dem Weg zur nächsten Generation von GUI-Basisagenten mit Fokus auf die reale Welt
Machine Learning University: Beschleunigter Kurs für natürliche Sprachverarbeitung
Lösungen zu Reinforcement Learning: Eine Einführung
Hochmoderne Bild- und Videoclip-Modelle, multimodale große Sprachmodelle und mehr!
Ein interaktives Datenvisualisierungstool, das Matplotlib-Grafiken über D3 in den Browser bringt.
Durchführen einfacher Abrufe von LLM-Modellen mit verschiedenen Kontextlängen zur Messung der Genauigkeit