Jupyter Notebook Repositories
Insgesamt 1,614 Repositories
Lösungsmanual für Übungen zu maschinellen Lernmethoden, Online-Leseadresse: https://datawhalechina.github.io/statistical-learning-method-solutions-manual
Diese Ressource unterstützt die Artikel des Autors über Python-Bildverarbeitung auf CSDN und konzentriert sich hauptsächlich auf die Implementierung von Algorithmen zur Bildverarbeitung, Bilderkennung und Bildklassifizierung in Python. Wir hoffen, dass diese Ressource Ihnen hilft, und lassen Sie uns gemeinsam unser Bestes geben.
Eine Proof-of-Concept-Jupyter-Erweiterung, die englische Abfragen in relevante Python-Codes umwandelt
Erklären, analysieren und visualisieren Sie NLP-Sprachmodelle. Ecco erstellt interaktive Visualisierungen direkt in Jupyter Notebooks, die das Verhalten von Transformer-basierten Sprachmodellen (wie GPT2, BERT, RoBERTa, T5 und T0) erklären.
PyTorch-Implementierung für Score-basierte generative Modellierung durch stochastische Differentialgleichungen (ICLR 2021, mündlich)
Fragen und Antworten zu Large-Model-Algorithmus-Stelleninterviews: Häufige Fragen und Konzepterklärungen „Large-Model-Interviewfragen“, „Algorithmus-Stelleninterview“, „Häufige Interviewfragen“, „Large-Model-Algorithmus-Interview“, „Grundlagen der Large-Model-Anwendung“
Die Classiq-Bibliothek ist die größte Sammlung von Quantenalgorithmen und -anwendungen. Sie ist der beste Weg, Quantencomputing-Software zu erkunden. Wir freuen uns über Beiträge aus der Community zu unserer Bibliothek 🙌
Dieses Repository präsentiert eine Auswahl von Machine-Learning-Projekten, die durchgeführt wurden, um verschiedene ML-Konzepte zu verstehen und zu beherrschen. Jedes Projekt spiegelt die Verpflichtung wider, theoretisches Wissen auf praktische Szenarien anzuwenden und die Beherrschung von Machine-Learning-Techniken und -Tools zu demonstrieren.
Chat Haruhi Suzumiya, ein quelloffener Rollenspiel-Chatbot Cheng Li, Ziang Leng und andere.
Jenseits der Genauigkeit: Verhaltensbasiertes Testen von NLP-Modellen mit CheckList
Dies ist ein koreanisches Tutorial, das auf der offiziellen LangChain-Dokumentation, dem Cookbook und anderen praktischen Beispielen basiert. Mit diesem Tutorial können Sie lernen, wie Sie LangChain einfacher und effektiver nutzen können.
Offizielle, von der Community getriebene Beispiele für Azure Machine Learning, getestet mit GitHub Actions.
Verschiedene Arten der Aktienanalyse in Excel, Matlab, Power BI, Python, R und Tableau
Ein automatischer Evaluator für instruktionsfolgende Sprachmodelle. Vom Menschen validiert, qualitativ hochwertig, günstig und schnell.
Rezepte zum Verkleinern, Optimieren und Anpassen von hochmodernen Bildmodellen. 💜
InstantStyle: Kostenloses Mittagessen für stilbewahrende Text-zu-Bild-Generierung 🔥
Eine prägnante, anfängerfreundliche Einführung in die Kernideen der linearen Algebra.
Offizielle Implementierung für „Automatic Chain of Thought Prompting in Large Language Models“ (bleiben Sie dran & mehr wird aktualisiert)
Approaching (Almost) Any Machine Learning Problem chinesische Übersetzung, Online-Dokumentationsadresse: https://ytzfhqs.github.io/AAAMLP-CN/
[CVPR 2021] Offizielle PyTorch-Implementierung für Transformer Interpretability Beyond Attention Visualization, eine neuartige Methode zur Visualisierung von Klassifizierungen durch Transformer-basierte Netzwerke.
OneDiff: Eine sofort einsatzbereite Beschleunigungsbibliothek für Diffusionsmodelle.
Führen Sie jeden Llama 2 lokal mit Gradio UI auf GPU oder CPU von überall (Linux/Windows/Mac) aus. Verwenden Sie `llama2-wrapper` als Ihr lokales Llama2-Backend für Generative Agents/Apps.
Öffentliches Repository für die DeepLearning.AI MLEP-Spezialisierung
100 Tage LLM-Inferenz-Engineering – tägliche Beiträge, Experimente und Visualisierungen
Notizbücher über bayesianische Methoden für maschinelles Lernen
Lebenslanges Wissen eines Programmierers! Notizen & Tutorials. Aufnahmeprüfung für das Weiterstudium, Beschäftigung, Studium. Sprachen: Android, C++, Java, JavaScript, Latex, MATLAB, NodeJS, PHP, Python. Technologie: Docker, Git, Linux, Maven, Office, Spark, Spring, SVN. Grundlagen: Compiler-Theorie, Betriebssysteme, Mikrocontroller, Computernetzwerke, Praktika Computernetzwerke, Architekturmuster, Dokumentationsschreiben für Software, Entwurfsmuster, Datenstrukturen, Datenbanken, Algorithmen, UML-Modellierung, Windows-Programmierung. Mathematik: Wahrscheinlichkeitsrechnung und mathematische Statistik, Analysis, Lineare Algebra, Tensoren. Maschinelles Lernen: Maschinelles Lernen, PyTorch, Sklearn, TensorFlow
Galerie von OSMnx-Tutorials, Nutzungsbeispielen und Funktionsdemonstrationen.
PyTorch-Implementierung verschiedener Methoden für kontinuierliches Lernen (XdG, EWC, SI, LwF, FROMP, DGR, BI-R, ER, A-GEM, iCaRL, Generative Classifier) in drei verschiedenen Szenarien.
Geeignet für Anfänger bis Fortgeschrittene, sobald das System etabliert ist, kommt es auf die Routine an.
Rauschunterdrückung in Python mit Spectral Gating (Sprache, Bioakustik, Audio, Zeitdomänensignale)
Ein umfassender Leitfaden zum Erstellen von RAG-basierten LLM-Anwendungen für die Produktion.
Mehrere NVIDIA GPUs oder Apple Silicon für die Inferenz großer Sprachmodelle?
Python-Bibliothek zur interaktiven Visualisierung von Themenmodellen. Port des R LDAvis-Pakets.