Jupyter Notebook Repositories
Insgesamt 1,614 Repositories
Begleitender Quellcode: BigQuery: The Definitive Guide von Lakshmanan & Tigani, das von O'Reilly Media veröffentlicht wird
Dieses Repository ist für den LinkedIn Learning Kurs: Python Essential Training (UPDATE FY24 Q4)
Öffentliche Veröffentlichung des Image Matching Benchmarks: https://image-matching-challenge.github.io
Code und Materialien für mein Buch „50 ML-Projekte zum Verständnis von LLMs“
Umfassender Deep Learning Tutorial: Vom Anfänger zum Experten
Erstellen Sie ein Videoskript, eine Stimme und ein sprechendes Gesicht vollständig mit KI
Alle Abbildungen und Notizbücher für mein Deep-Learning-Buch, kostenlos!
Leitfäden, die sich auf grundlegende Konzepte der Informatik konzentrieren
Rechtzeitige Erkennungen für proaktivere und effektivere Maßnahmen in Offshore-Ölquellen!
Open-Source-Jupyter-Notebooks und Python-Tools für die geospatiale Analyse mit Digital Earth Australia, Open Data Cube und Xarray
(Nur Chinesisch)Alles, was ich weiß: DevOps & CloudNative, Linux, Embedded, Homelab, Music, Blockchain, AI usw...
Ein einfaches Modul zur Erkennung von Schläfrigkeit für Menschen. 😴 🚫 🚗
Das erste große Sprachmodell der traditionellen chinesischen Medizin - "CMLM-ZhongJing". Inspiriert von der tiefgründigen Weisheit des alten chinesischen Medizinmeisters Zhang Zhongjing, ist es ein vortrainiertes großes Sprachmodell, das speziell für den Bereich der traditionellen chinesischen Medizin entwickelt wurde.
Ein einfaches & elegantes Framework zur Experimentverfolgung, das Persistenzlogik & Best Practices direkt in Python integriert
Vorlesungsmaterialien für Cornell CS5785 Angewandtes Maschinelles Lernen (Herbst 2024)
apricot implementiert submodulare Optimierung, um Teilmengen massiver Datensätze auszuwählen, die Machine-Learning-Modelle schnell trainieren. Siehe die Dokumentationsseite: https://apricot-select.readthedocs.io/en/latest/index.html
NeurIPS'24-Workshop - UniTable: Auf dem Weg zu einem einheitlichen Tabellen-Grundlagenmodell
Sprachenübergreifende Verallgemeinerung durch Multitask-Feinabstimmung
Toolkit für den BOP-Benchmark, einschließlich Evaluierungsskripte und Hilfsprogramme für 6D-Objektposenschätzung und verwandte Aufgaben.
Code zum Testen verschiedener M1 Chip Benchmarks mit TensorFlow.
Modellierung menschlicher Gesundheitsverläufe mittels generativer Transformer
Veraltetes historisches Repository. Superlinked entwickelt jetzt SIE, eine selbst gehostete Inferenz-Engine für Embeddings, Reranking, OCR, Extraktion und Dokumentenverarbeitung.
Eine optimierte Speech-to-Text-Pipeline für das Whisper-Modell mit Unterstützung mehrerer Inferenz-Engines
Forschungscode zur metrischen Tiefenschätzung in periokularen VR-Bildern unter Verwendung von UE MetaHuman-generierten Daten.
Dieses Projekt kombiniert Statistik mit Finanztheorie, um eine beliebte Handelsstrategie für Aktienmärkte zu demonstrieren: Pairs Trading.
Einführende Beispiele für den Aufbau von LLM-basierten KI-Agenten. Buch von Asynchronous Books: „Entwicklung von Anwendungen mit großen Modellen: KI-Agenten selbst erstellen“ – Dies sind sehr einfache Beispiele für den Einstieg, die Anfängern als Orientierung dienen sollen. Der Bereich der LLM-Entwicklung entwickelt sich schnell weiter, und dieses Buch dient lediglich als Überblick. Weitere Beispiele und Code finden Sie im OpenAI Cookbook und bei LangChain Example.
PeRFlow: Stückweise rektifizierter Fluss als universeller Plug-and-Play-Beschleuniger (NeurIPS 2024)
CoexistAI ist ein modulares, entwicklerfreundliches Forschungsassistenten-Framework. Es ermöglicht Ihnen, Forschungsabläufe mit LLMs, Websuche, Reddit, YouTube und Kartierungswerkzeugen zu erstellen, zu durchsuchen, zusammenzufassen und zu automatisieren—alles mit einfachen MCP-Toolaufrufen, API-Aufrufen oder Python-Funktionen.
Natural Language Toolkit für die malaysische Sprache, https://malaya.readthedocs.io/
Offizielles Code-Repository zum O'Reilly-Buch „An Illustrated Guide to AI Agents“
Offizielle Implementierung des Papers „The Stable Signature Rooting Watermarks in Latent Diffusion Models“
Deep Reinforcement Learning Hands-On, 3. Auflage_Herausgegeben von Packt
Data-Science-Kurs in Julia für JuliaAcademy.com, unterrichtet von Huda Nassar
MonsterUI ist ein FastHTML- und Tailwind-betriebenes UI-Framework zur Erstellung schöner Weboberflächen mit minimalem Code.
Dieses Repository ermöglicht es Ihnen, neuronale Netzwerk-Modelle zu trainieren, um eine end-to-end Vollseiten-Handschrifterkennung mit den Apache MXNet Deep-Learning-Frameworks auf dem IAM-Datensatz durchzuführen.
Eine Einführung in Data Science mit Python für Menschen ohne Programmiererfahrung.
Geometric GNN Dojo bietet vereinheitlichte Implementierungen und Experimente zur Erforschung des Designraums von Geometric Graph Neural Networks (ICML 2023)