#lstm Repositories
Entdecke 36 aktive Open-Source-GitHub-Repositories, die mit #lstm getaggt sind und insgesamt 246,923 Sterne gesammelt haben (durchschnittlich 6,858 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist tesseract-ocr/tesseract mit 77,607 Sternen.
Insgesamt 36 Repositories
AiLearning: Datenanalyse + Machine Learning Praxis + Lineare Algebra + PyTorch + NLTK + TF2
Sofort einsatzbereite OCR-Technologie mit über 80 unterstützten Sprachen und allen gängigen Schriftsystemen, einschließlich Lateinisch, Chinesisch, Arabisch, Devanagari, Kyrillisch und etc.
Ein neuronales Netzwerk, das ein Design-Mock-up in eine statische Website umwandelt.
RWKV (ausgesprochen RwaKuv) ist ein RNN mit großartiger LLM-Leistung, das auch direkt wie ein GPT-Transformer trainiert werden kann (parallelisierbar). Wir sind bei RWKV-7 "Goose". Es kombiniert also das Beste aus RNN und Transformer - großartige Leistung, lineare Zeit, konstanter Speicherplatz (kein kv-Cache), schnelles Training, unendliche ctx_len und kostenlose Satz-Einbettung.
Tutorials zur Implementierung einiger Sequence-to-Sequence (Seq2Seq) Modelle mit PyTorch und TorchText.
In diesem Notebook werde ich einen vollständigen Prozess zum Vorhersagen von Aktienkursbewegungen erstellen. Folgen Sie mit, und wir werden einige ziemlich gute Ergebnisse erzielen. Zu diesem Zweck werden wir ein Generative Adversarial Network (GAN) mit LSTM, einer Art Recurrent Neural Network, als Generator und ein Convolutional Neural Network, CNN, als Diskriminator verwenden. Wir verwenden LSTM aus dem offensichtlichen Grund, dass wir Zeitreihendaten vorhersagen wollen. Warum verwenden wir GAN und speziell CNN als Diskriminator? Das ist eine gute q
Tutorials zum Einstieg in PyTorch und TorchText für die Sentiment-Analyse.
Automatische KI-Poesie-Maschine für chinesische klassische Gedichte, x-mal explosiv, basierend auf der TensorFlow 1.10 API, wird aktiv gewartet und aufgerüstet, schnell mit einem Stern versehen, auf dem Laufenden bleiben!
Liste von Papieren, Code und Experimenten, die Deep Learning für Zeitreihenprognosen verwenden
Jupyter Notebook-Tutorials zum Lösen realer Probleme mit Machine Learning & Deep Learning unter Verwendung von PyTorch. Themen: Gesichtserkennung mit Detectron 2, Anomalieerkennung in Zeitreihen mit LSTM Autoencoders, Objekterkennung mit YOLO v5, Erstellen Ihres ersten Neural Network, Zeitreihenprognose für tägliche Coronavirus-Fälle, Sentiment Analysis mit BER
Deep-Learning-PyTorch-Bibliothek für Zeitreihenprognose, Klassifikation und Anomalieerkennung (ursprünglich für Flutvorhersage).
Eigenständige Machine-Learning- und Natural-Language-Processing-Bibliothek in Go
Grobe Liste meiner Lieblingsressourcen für Deep Learning, nützlich zum Wiederholen von Themen oder als Referenz. Ich habe mir all den aufgelisteten Inhalt sorgfältig angesehen. - Guillaume Chevalier
Dieses Repo enthält Implementierungen verschiedener Architekturen für die Emotionserkennung in Gesprächen.
:art: Erweiterte Version der mathematischen Formelerkennung: Handschriftliche und gedruckte Formeln auf Chinesisch und Englisch, unterstützt grundlegende Symbolableitung (Datenstruktur basierend auf LaTeX Abstract Syntax Tree) Math Formula OCR Pro, unterstützt Handschrift, chinesisch-englische gemischte Formeln und einfache Symbolenfolgerung (basierend auf LaTeX AST).
Ein Framework zur Verwendung von LSTMs zur Erkennung von Anomalien in multivariaten Zeitreihendaten. Enthält Anomaliedaten von Raumfahrzeugen und Experimente aus den Missionen Mars Science Laboratory und SMAP.
Eine Deep-Learning-Bibliothek für die Klassifizierung von EEG-Aufgaben (Signalen), basierend auf TensorFlow.
Code-Repository für Deep Learning mit Keras, veröffentlicht von Packt
Ein Tool zur Konvertierung von ONNX-Dateien in LiteRT/TFLite/TensorFlow, PyTorch-Nativer Code (nn.Module), TorchScript (.pt), state_dict (.pt), Exported Program (.pt2) und Dynamo ONNX. Es unterstützt auch die direkte Konvertierung von LiteRT zu PyTorch.
Liste des molekularen und materiellen Designs unter Verwendung von generativer KI und Deep Learning
Eine Sammlung von Anomalie-Erkennungsmethoden (iid/punktbasiert, Graph und Zeitreihen), einschließlich Active Learning für Anomalie-Erkennung/Entdeckung, bayessches Regel-Mining, Beschreibung für Diversität/Erklärung/Interpretierbarkeit. Analyse der Integration von Label-Feedback mit Ensemble- und baumbasierten Detektoren. Beinhaltet adversariale Angriffe mit Graph Convolutional Network.
Webanwendung zur Aktienmarktvorhersage basierend auf maschinellem Lernen und Sentimentanalyse von Tweets (API-Schlüssel im Code enthalten). Das Frontend der Webanwendung basiert auf Flask und Wordpress. Die Anwendung prognostiziert die Aktienkurse der nächsten sieben Tage für jede beliebige Aktie unter NASDAQ oder NSE, die vom Benutzer eingegeben wird. Vorhersagen werden mit drei Algorithmen getroffen: ARIMA, LSTM, lineare Regression. Die Webanwendung kombiniert die prognostizierten Kurse der nächsten sieben Tage mit der Sentimentanalyse von Tweets, um eine Empfehlung zu geben.
Echtzeit-Erkennung räumlich-zeitlich lokalisierter Aktivitäten durch Verfolgung von Körper-Schlüsselpunkten
Beispiel für die Vorhersage mehrerer multivariater Zeitreihen mit LSTM-Rekurrenten neuronalen Netzwerken in Python mit Keras.
Vorhersage von Aktienkursen mit einem TensorFlow LSTM (Long Short-Term Memory) neuronalen Netzwerk für Zeitreihenvorhersagen
Klassifizieren Sie die Kaggle San Francisco Crime Description in 39 Klassen. Erstellen Sie das Modell mit CNN, RNN (GRU und LSTM) und Word Embeddings auf Tensorflow.
Häufig gestellte Fragen
Welches ist das beliebteste #lstm-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#lstm-Projekt auf GitHub ist tesseract-ocr/tesseract mit 77,607 Sternen. Tesseract Open Source OCR-Engine (Haupt-Repository)
Welche Programmiersprachen werden in #lstm-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #lstm-Projekten auf GitHub sind Python, Jupyter Notebook, JavaScript, C++ die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #lstm-Repositories berechnet?
Wir verfolgen 36 aktive Open-Source-Repositories, die mit #lstm getaggt sind (500+ Sterne), mit insgesamt 246,923 Sternen und durchschnittlich 6,858 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.