Jupyter Notebook Repositories
Insgesamt 1,614 Repositories
Jupyter-Notebooks für das Buch "Natural Language Processing with Transformers"
Datenmining, Computer Vision, Natürliche Sprachverarbeitung, Empfehlungssystem-Wettbewerbswissen, Code, Ideen
35 produktionsreife agentische KI-Architekturen (Reflexion, LATS, GraphRAG, MemGPT, Voyager, BrowserAgent, ...) — eine Python-Bibliothek und ein ausführbares Lehrbuch mit Unterstützung für LLMs verschiedener Anbieter sowie einer Bestenliste für 17 Aufgaben-Benchmarks.
🔥 LeetCode für PyTorch — üben Sie die Implementierung von softmax, attention, GPT-2 und mehr von Grund auf mit sofortiger Auto-Bewertung. Jupyter-basiert, selbst gehostet oder online ausprobieren.
Code-Beispiele aus dem Buch Web Scraping with Python http://shop.oreilly.com/product/0636920034391.do
Ein Open-Source-Text-to-Speech-System, das durch Invertieren von Whisper erstellt wurde.
JAX-Implementierung von OpenAIs Whisper-Modell für eine Geschwindigkeitssteigerung von bis zu 70x auf TPUs.
Ob Sie nun ein absoluter Anfänger im Kurs sind, Projektanwendungen in CV, NLP, LLM verfolgen oder die fortschrittliche ingenieurmäßige Bereitstellung und Implementierung anstreben, in „Praktischer Pytorch-Leitfaden“ (2. Auflage) finden Sie alles. Wir glauben, dass Leser mit Hilfe dieses Buches die Verwendung von PyTorch mühelos meistern und ausgezeichnete Deep-Learning-Ingenieure werden können.
Tutorials zum Einstieg in PyTorch und TorchText für die Sentiment-Analyse.
Nur mit Python-Grundlagen baust du deinen eigenen verkörperten intelligenten Roboter von Grund auf; baue schrittweise VLA/OpenVLA/SmolVLA/Pi0 von Grund auf und verstehe verkörperte Intelligenz tiefgehend
Technische Ressourcen für KI-Entwickler zum Erstellen von Anwendungen, Agenten und Systemen mit Oracle AI Database und OCI-Services
Grundlagen des maschinellen Lernens: Lineare Algebra, Analysis, Statistik & Informatik
Nur grundlegende Python-Kenntnisse erforderlich, um große Sprachmodelle von Grund auf zu erstellen; Schrittweiser Aufbau von GLM4\Llama3\RWKV6 von Grund auf, um die Prinzipien großer Modelle tiefgreifend zu verstehen.
Notizen, Programmieraufgaben und Quizze aus allen Kursen der Coursera Deep Learning Specialization, angeboten von deeplearning.ai: (i) Neuronale Netze und Deep Learning; (ii) Verbesserung tiefer neuronaler Netze: Hyperparameter-Tuning, Regularisierung und Optimierung; (iii) Strukturierung von Machine-Learning-Projekten; (iv) Convolutional Neural Networks; (v) Sequenzmodelle
https://www.youtube.com/channel/UC34rW-HtPJulxr5wp2Xa04w?sub_confirmation=1
Eine schnelle Bibliothek für AutoML und Tuning. Treten Sie unserem Discord bei: https://discord.gg/Cppx2vSPVP.
Teilen von AI-Infrastrukturwissen und Code-Praxis: PyTorch, vLLM/SGLang, Einführung in das slime/vime-Framework ⚡️, Leistungsbeschleunigung 🚀, Grundlagen großer Modelle 🧠, KI-Software und -Hardware 🔧 usw.
Einfache Python-Implementierungen grundlegender Machine-Learning-Algorithmen
Python-Notebooks mit ML- und Deep-Learning-Beispielen mit Azure Machine Learning Python SDK | Microsoft
Ein modulares Agentic RAG, aufgebaut mit LangGraph — lernen Sie Retrieval-Augmented Generation Agents in Minuten.
Agentic AI mit dem Dapr Agentic Cloud Ascent (DACA) Design Pattern und Agent-Native Cloud Technologien erlernen: OpenAI Agents SDK, Memory, MCP, A2A, Knowledge Graphs, Dapr, Rancher Desktop und Kubernetes.
Eine Sammlung von Cheatsheets, Büchern, Fragen und Portfolio für die DS/ML-Interviewvorbereitung
Eine saubere Implementierung basierend auf AlphaZero für jedes Spiel in jedem Framework + Tutorial + Othello/Gobang/TicTacToe/Connect4 und mehr
Dieses Projekt reproduziert das Buch Dive Into Deep Learning (https://d2l.ai/) und passt den Code von MXNet an PyTorch an.
OmniGen: Vereinheitlichte Bildgenerierung. https://arxiv.org/pdf/2409.11340
Mobile ALOHA: Lernen von bimanualer mobiler Manipulation mit kostengünstiger Ganzkörper-Teleoperation
Hunyuan-DiT: Ein leistungsstarker Multi-Resolution Diffusion Transformer mit feingranularem Chinesischverständnis
Showcase für generative KI von MongoDB: eine umfassende Sammlung von Beispielen und Beispielanwendungen zu Retrieval-Augmented Generation (RAG), KI-Agenten und branchenspezifischen Anwendungsfällen.
Generative KI-Referenz-Workflows, optimiert für beschleunigte Infrastruktur und Microservice-Architektur.
Baue ein modernes LLM von Grund auf. Jede Zeile kommentiert. Erklärt wie für Fünfjährige.