#machine-learning Repositories
Insgesamt 2,070 Repositories
Drop-in-Ersatz für Apache Spark, geschrieben in Rust, der Batch-Verarbeitung, Stream-Verarbeitung und rechenintensive KI-Workloads vereint.
:earth_americas: Machine-Learning-Tutorials (hauptsächlich in Python3)
StudioGAN ist eine Pytorch-Bibliothek, die Implementierungen repräsentativer Generative Adversarial Networks (GANs) für die bedingte/unbedingte Bilderzeugung bereitstellt.
TextAttack 🐙 ist ein Python-Framework für adversariale Angriffe, Datenaugmentation und Modelltraining in der NLP https://textattack.readthedocs.io/en/master/
Debugging, Überwachung und Visualisierung für Python Machine Learning und Data Science
Open-Source Deep-Learning-Framework zum Erstellen, Trainieren und Feinabstimmen von Deep-Learning-Modellen unter Verwendung modernster Physics-ML-Methoden
Towhee ist ein Framework, das sich der einfachen und schnellen Verarbeitung von neuronalen Datenpipelines widmet.
Buch_7_《Maschinelles Lernen》 | Der Iris Data Set: Von Addition und Subtraktion bis Maschinelles Lernen; Kritik und Korrekturen sind willkommen.
KI und maschinelles Lernen mit Kubeflow, Amazon EKS und SageMaker
.NET Standard-Bindings für Googles TensorFlow zur Entwicklung, Schulung und Bereitstellung von Machine-Learning-Modellen in C# und F#.
OP Vault ChatGPT: Geben Sie ChatGPT ein Langzeitgedächtnis mit dem OP Stack (OpenAI + Pinecone Vektordatenbank). Laden Sie Ihre eigenen benutzerdefinierten Wissensbasisdateien (PDF, txt, epub usw.) über ein einfaches React-Frontend hoch.
Saubere, robuste und einheitliche PyTorch-Implementierung beliebter Deep Reinforcement Learning (DRL) Algorithmen (Q-Learning, Duel DDQN, PER, C51, Noisy DQN, PPO, DDPG, TD3, SAC, ASL)
Dieses Repository ist eine kuratierte Sammlung praxisnaher Data-Science-Projekte, die speziell für Anfänger zugeschnitten sind. Ob Sie gerade erst mit Data Science beginnen oder Ihre Fähigkeiten stärken möchten, diese Projekte bieten einen praktischen und interaktiven Weg, um Ihr Wissen anzuwenden.
Python-AutoML-Toolkit zum Benchmarking von Klassifikations-, Regressions- und Zeitreihenprognosemodellen mit GPU-Beschleunigung, MLflow-Tracking und automatisierter Vorverarbeitung.
Das offizielle Repository für ROOT: Analyse, Speicherung und Visualisierung von Big Data, wissenschaftlich
Warnung: Die Verbindung zu Tencent-zugehöriger Software wie WeChat oder QQ ist verboten. Eine Integration mit Drittanbieter-Plattformen ist möglich. Es ist ein realistischeres emotionales Begleitprogramm basierend auf LLM, das Ihnen ermöglicht, die Charaktere Ihrer Träume zu treffen.
Python-Paket für AutoML auf tabellarischen Daten mit Feature Engineering, Hyperparameter-Tuning, Erklärungen und automatischer Dokumentation
🔅 Shapash: Benutzerfreundliche Erklärbarkeit und Interpretierbarkeit zur Entwicklung zuverlässiger und transparenter Machine-Learning-Modelle
Eine umfassende Sammlung von KAN (Kolmogorov-Arnold Network)-bezogenen Ressourcen, einschließlich Bibliotheken, Projekten, Tutorials, Papieren und mehr, für Forscher und Entwickler im Bereich des Kolmogorov-Arnold-Netzwerks.
ManimML ist ein Projekt, das sich auf die Bereitstellung von Animationen und Visualisierungen gängiger Machine-Learning-Konzepte mit der Manim Community Library konzentriert.
Alle Notizen und Materialien für den Kurs CS229: Maschinelles Lernen der Stanford University
Otter, ein multimodales Modell, das auf OpenFlamingo basiert (Open-Source-Version von DeepMinds Flamingo), trainiert auf MIMIC-IT und zeigt verbesserte Anweisungsbefolgung und In-Context-Lernfähigkeit.
Erfahren Sie, wie Sie produktionsreife ML-Anwendungen entwerfen, entwickeln, bereitstellen und iterieren.
Ein Repository, das potenzielle Quellen auflistet, die Ihnen bei der Vorbereitung auf ein Data Science/Machine Learning Interview helfen. Neue Ressourcen werden häufig hinzugefügt.
Dieses Repository wurde erstellt, um Einsteigern im Machine Learning oder Personen, die sich auf ein Studium vorbereiten, zu helfen. (This repository is intended for helping those who are beginners in machine learning or preparing for study)
Verzeichnis von Tutorials und Open-Source-Code-Repositories für die Arbeit mit Keras, der Python-Deep-Learning-Bibliothek
Determined ist eine Open-Source-Plattform für maschinelles Lernen, die verteiltes Training, Hyperparameter-Tuning, Experimentverfolgung und Ressourcenmanagement vereinfacht. Funktioniert mit PyTorch und TensorFlow.
Implementierung von Dreambooth (https://arxiv.org/abs/2208.12242) mittels Textual Inversion (https://arxiv.org/abs/2208.01618) für Stable Diffusion (https://arxiv.org/abs/2112.10752). Tweaks konzentriert auf das Training von Gesichtern, Objekten und Stilen.
Die Compute Library ist eine Sammlung von Computer-Vision- und Machine-Learning-Funktionen, die für Arm-CPUs und GPUs mit SIMD-Technologien optimiert sind.
Isolieren Sie Gesangs-, Schlagzeug-, Bass- und andere instrumentale Spuren aus jedem Song
Gesichtserkennung, Erkennung der Lebendigkeit des Gesichts, Gesichtsschutz vor Spoofing, Gesichtserkennung, Gesichtsmerkmale, Gesichtsvergleich, Gesichtsabgleich, Gesichtsposition, Gesichtsausdruck, Gesichtseigenschaften, Extraktion von Gesichtsvorlagen, Gesichtsmerkmale
Eine Python-Bibliothek für die Visualisierung von Entscheidungsbäumen und die Modellinterpretation.
Liste von Tools & Datasets für die Anomalieerkennung in Zeitreihendaten.
Hier erhalten Sie alle Grundlagen des Quantenmaschinellen Lernens, Algorithmen, Lernmaterialien, Projekte und die Beschreibungen der Projekte im gesamten Internet.
Sorgfältig kuratierte Ressourcenlinks für Data Science an einem Ort
Plattform für Open‑Source‑AI‑Kamerafähigkeiten, AI‑NVR und CCTV‑Überwachung. Lokale VLM‑Videoanalyse mit Qwen, DeepSeek, SmolVLM, LLaVA, YOLO26. LLM‑gestützter, agentisierter Sicherheitskameraagent – beobachtet, versteht, erinnert sich und schützt Ihr Zuhause über Telegram, Discord oder Slack. Plugbare AI‑Fähigkeiten. OpenAI, Google, Anthropic oder lokale AI. Läuft auf Mac Mini & AI‑PC.
ein hervorragendes Machine-Learning-Tool, mit dem Sie Modelle trainieren, testen und verwenden können, ohne Code zu schreiben