Jupyter Notebook Repositories
Insgesamt 1,614 Repositories
Jupyter-Notebooks für die Code-Beispiele des Buches „Deep Learning with Python“
Qwen3-VL ist die multimodale Large-Language-Model-Serie, die vom Qwen-Team von Alibaba Cloud entwickelt wurde.
Das Repository stellt Code zur Ausführung der Inferenz mit dem Meta Segment Anything Model 2 (SAM 2), Links zum Herunterladen der trainierten Modell-Checkpoints und Beispiel-Notebooks bereit, die zeigen, wie das Modell verwendet wird.
Materialien für den Kurs "Learn PyTorch for Deep Learning: Zero to Mastery".
Man hat keine Zukunft, wenn man sich nicht selbst beibringen kann.
Eine winzige skalare Autograd-Engine und eine neuronale Netzbibliothek darauf mit einer PyTorch-ähnlichen API
[🔥Aktualisierung ...] KI-gestützter automatischer quantitativer Handelsroboter (vollständig lokal bereitgestellt) KI-gestütztes quantitatives Investment Research Platform. 📃 Online-Dokumentation: https://ufund-me.github.io/Qbot ✨ :news: qbot-mini: https://github.com/Charmve/iQuant
Willkommen im Llama-Kochbuch! Dies ist Ihr Leitfaden für den Einstieg in Llama: Erste Schritte mit Inferenz, Fine-Tuning, RAG. Wir zeigen Ihnen auch, wie Sie End-to-End-Probleme mit der Llama-Modellfamilie lösen und sie auf verschiedenen Anbieterdiensten einsetzen.
Kalman-Filter-Buch mit Jupyter Notebook. Konzentriert sich auf den Aufbau von Intuition und Erfahrung, nicht auf formale Beweise. Enthält Kalman-Filter, erweiterte Kalman-Filter, unscented Kalman-Filter, Partikelfilter und mehr. Alle Übungen enthalten Lösungen.
Erste Schritte beim Erstellen von Fullstack-Agenten mit Gemini 2.5 und LangGraph
[WIP] Ressourcen für KI-Ingenieure. Enthält auch unterstützende Materialien für das Buch "AI Engineering" (Chip Huyen, 2025)
💿 Kostenlose Software, die großartig funktioniert und zufällig Open-Source-Python ist.
Beispielcode und Notebooks für generative KI auf Google Cloud mit der Gemini-Plattform
Dieses Projekt umfasst die in Vorstellungsgesprächen zu Machine Learning (Maschinelles Lernen), Deep Learning (Tiefes Lernen) und NLP häufig abgefragten Wissenspunkte und Code-Implementierungen und ist auch ein Muss an theoretischem Grundwissen für einen Algorithmus-Ingenieur.
AISystem bezieht sich hauptsächlich auf KI-Systeme, einschließlich der gesamten KI-Stack-Basistechnologien wie KI-Chips, KI-Compiler, KI-Inferenz und Trainingsframeworks
Dieser Open-Source-Lehrplan führt in die Grundlagen des Model Context Protocol (MCP) durch reale, sprachübergreifende Beispiele in .NET, Java, TypeScript, JavaScript, Rust und Python ein. Er wurde für Entwickler konzipiert und konzentriert sich auf praktische Techniken zum Aufbau modularer, skalierbarer und sicherer KI-Workflows von der Sitzungsverwaltung bis zur Service-Orchestrierung.
Eine Sammlung verschiedener Deep-Learning-Architekturen, Modelle und Tipps
Grounded SAM: Grounding DINO mit Segment Anything & Stable Diffusion & Recognize Anything vereinen – Alles automatisch erkennen, segmentieren und generieren
《Li Hongyi Deep Learning Tutorial》(Empfohlen von Professor Li Hongyi 👍, Apple Books 🍎), PDF-Download-Link: https://github.com/datawhalechina/leedl-tutorial/releases
Eine praxisorientierte Einführung in die Videotechnologie: Bild, Video, Codec (av1, vp9, h265) und mehr (ffmpeg-Kodierung).
Kostenloser MLOps-Kurs von DataTalks.Club. Hier registrieren 👇🏼, um über die nächste Kohorte benachrichtigt zu werden
Dieses Repository enthält Implementierungen und illustrativen Code zur Begleitung von DeepMind-Publikationen.
Offline-Sprachenerkennungs-API für Android, iOS, Raspberry Pi und Server mit Python, Java, C# und Node
Der KI-Wissenschaftler: Auf dem Weg zur vollständig automatisierten, offenen wissenschaftlichen Entdeckung 🧑🔬
Lernen Sie 4 Monate lang kostenlos ML-Engineering! Hier registrieren 👇🏼
Dieses Repository enthält den Quellcode für das Paper First Order Motion Model for Image Animation
Reinforcement Learning Chinesisch Tutorial (Pilzbuch 🍄), Online-Leseadresse: https://datawhalechina.github.io/easy-rl/
Ein Multi-Voice-TTS-System, das mit Schwerpunkt auf Qualität trainiert wurde
State-of-the-Art Deep-Learning-Skripte, nach Modellen organisiert - einfach zu trainieren und bereitzustellen mit reproduzierbarer Genauigkeit und Leistung auf Unternehmensklasse-Infrastruktur.
Eine Reihe von Jupyter-Notebooks, die Sie durch die Grundlagen des maschinellen Lernens und des Deep Learnings in Python mit Scikit-Learn, Keras und TensorFlow 2 führen.
Dieses Projekt ist ein Tutorial zur Entwicklung von Anwendungen für große Modelle, das sich an Anfängerentwickler richtet. Online-Leseadresse: https://datawhalechina.github.io/llm-universe/
Implementierung des Papers – YOLOv7: Trainable Bag-of-Freebies setzt neuen Stand der Technik für Echtzeit-Objekterkenner
PyTorch-Code und Modelle für die DINOv2-Methode des selbstüberwachten Lernens.