Jupyter Notebook Repositories
Insgesamt 1,614 Repositories
Der Bild-Prompt-Adapter ist so konzipiert, dass er ein vortrainiertes Text-zu-Bild-Diffusionsmodell in die Lage versetzt, Bilder mit einem Bild-Prompt zu generieren.
Silero-Modelle: Vortrainierte Text-zu-Sprache-Modelle, deren Nutzung erstaunlich einfach ist
Fehlerverzeihende, hoch skalierbare GPU-Orchestrierung und ein Machine-Learning-Framework, das für das Training von Modellen mit Milliarden bis Billionen von Parametern entwickelt wurde
Eine mit scikit-learn kompatible neuronale Netzwerk-Bibliothek, die PyTorch umhüllt
Finanzportfolio-Optimierung in Python, einschließlich klassischer effizienter Grenze, Black-Litterman und hierarchischer Risikoparität
Zeitreihen Timeseries Deep Learning Machine Learning Python Pytorch fastai | State-of-the-Art Deep Learning-Bibliothek für Zeitreihen und Sequenzen in Pytorch / fastai
Chinesische Version von CLIP, die chinesische Cross-Modal-Retrieval und Repräsentationsgenerierung ermöglicht.
Dies ist der offizielle Code für das MobileSAM-Projekt, der SAM für mobile Anwendungen und darüber hinaus leichtgewichtig macht!
Implementieren Sie Schritt für Schritt ein Reasoning LLM in PyTorch von Grund auf neu
Eine Sammlung von Beispielen, die zeigen, wie das CrewAI-Framework zur Automatisierung von Arbeitsabläufen verwendet wird.
250+ Fine-Tuning- & RL-Notebooks für Text-, Vision-, Audio-, Embedding- und TTS-Modelle.
Alle Kursmaterialien für den Kurs Zero to Mastery Deep Learning with TensorFlow.
T81-558: Keras - Anwendungen tiefer neuronaler Netze @Washington University in St. Louis
Automatische Spracherkennung mit Sprecher-Diarisierung basierend auf OpenAI Whisper
Tutorials zur Implementierung einiger Sequence-to-Sequence (Seq2Seq) Modelle mit PyTorch und TorchText.
PyTorch-Code für BLIP: Bootstrapping Language-Image Pre-training für unified Vision-Language Understanding und Generation
Projekte und Übungen für das neueste Deep-Learning-Nanodegree-Programm https://www.udacity.com/course/deep-learning-nanodegree--nd101
Code-Repository für maschinelles Lernen mit PyTorch und Scikit-Learn
Neo4j-Graphkonstruktion aus unstrukturierten Daten unter Verwendung von LLMs
Sutskever 30 Implementierungen inspiriert von https://papercode.vercel.app/ | Für Agents, verwenden Sie https://github.com/pageman/Sutskever-Agent | Polyglotte / Multi-Backend-Version unter https://github.com/pageman/sutskever-30-beyond-numpy
CoTracker ist ein Modell zur Verfolgung beliebiger Punkte (Pixel) in einem Video.
Repository für das Deep Reinforcement Learning Nanodegree-Programm
"Leitfaden zum Aufbau einer Big-Model-White-Box": Ein komplett von Hand erstelltes Tiny-Universe
Code für das Buch Deep Learning with PyTorch von Eli Stevens, Luca Antiga und Thomas Viehmann.
Links zu Konferenzpublikationen im graphenbasierten Deep Learning
🎓 Akademisches Portfolio, das Zitationen steigert. KI generiert Seiten, du besitzt sie als Markdown. BibTeX Auto-Import, Jupyter, LaTeX, Folien, visueller Block-Editor — kostenlos für immer hosten. Akademische Homepage, KI-generiert, Markdown-Besitz 👇
Trainieren oder fine-tunen Sie einfach SOTA-Computer-Vision-Modelle mit einer Open-Source-Trainingsbibliothek. Die Heimat von Yolo-NAS.
🚀 Ein Open-Source-, praxisorientierter Lehrplan, der die Lücke von grundlegenden RL-Konzepten bis zur LLM-Ausrichtung, RLVR und fortgeschrittenen Agentic-Systemen überbrückt.
ALICE (Automated Learning and Intelligence for Causation and Economics) ist ein Microsoft Research-Projekt, das darauf abzielt, Konzepte der Künstlichen Intelligenz auf wirtschaftliche Entscheidungsfindung anzuwenden. Eines seiner Ziele ist es, ein Toolkit zu entwickeln, das modernste Machine-Learning-Techniken mit Ökonometrie kombiniert, um Automatisierung in komplexe kausale Inferenzprobleme zu bringen. Bis heute implementiert das ALICE Python SDK (econml) orthogonale Machine-Learning-Algorithmen wie die Double-Machine-Learning-Arbeit von
Eine probabilistische Programmiersprache in TensorFlow. Tiefgehende generative Modelle, variationelle Inferenz.