#machine-learning Repositories
Insgesamt 2,070 Repositories
Dezentrales Deep Learning in PyTorch. Entwickelt, um Modelle auf Tausenden von Freiwilligen auf der ganzen Welt zu trainieren.
Nachrichtenweiterleitende neuronale Netze für die Moleküleigenschaftsvorhersage
Über 200 detaillierte Karteikarten zur Wiederholung von Themen in den Bereichen maschinelles Lernen, Computer Vision und Informatik.
Eine kuratierte Liste von großartigen Projekten und Ressourcen im Zusammenhang mit Argo (einem von der CNCF verabschiedeten Projekt)
Eine Bibliothek von sklearn-kompatiblen Kategorischen Variablen-Encodern
Verwandeln Sie jeden Computer oder jedes Edge-Gerät in ein Kommandozentrum für Ihre Computer-Vision-Projekte.
🤗 Evaluate: Eine Bibliothek zur einfachen Bewertung von Machine-Learning-Modellen und Datensätzen.
Eine Python-Bibliothek, die Data Scientists hilft, Kausalität zu inferieren, anstatt nur Korrelation zu beobachten.
Machine-Learning-Metriken für verteilte, skalierbare PyTorch-Anwendungen.
Eine Sammlung von Forschungsarbeiten zu Entscheidungs-, Klassifikations- und Regressionsbäumen mit Implementierungen.
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
PyTorch-Implementierung von SimCLR: Ein einfaches Framework für kontrastives Lernen visueller Darstellungen
Dieses Repository enthält die Übungen und deren Lösungen aus dem Buch "An Introduction to Statistical Learning" in Python.
C-OCR ist ein von Ctrip selbst entwickeltes OCR-Projekt, das hauptsächlich die Erkennung von reisebezogenen Ausweisen und Materialien wie Personalausweisen, Pässen, Zugtickets, Visa usw. umfasst. Das Projekt umfasst 4 Teile: Ablehnung, Detektion, Erkennung, Nachbearbeitung.
Ein Low-Code-Machine-Learning-Service für personalisierte Rankings für Artikel, Angebote, Suchergebnisse und Empfehlungen, der die Benutzerbindung stärkt. Eine benutzerfreundliche Learn-to-Rank-Engine
Eine kuratierte Liste von Forschungspapieren zur Community-Erkennung mit Implementierungen.
SDG ist ein spezialisiertes Framework, das zur Generierung von hochwertigen strukturierten tabellarischen Daten entwickelt wurde.
Eine intuitive Bibliothek, um Plotting-Funktionalität zu scikit-learn-Objekten hinzuzufügen.
Machine Learning University: Beschleunigter Kurs für natürliche Sprachverarbeitung
🍕 Repository zur Sammlung von Informationen über Lernmaterialien in der Datenanalyse und verwandten Bereichen, Unternehmen, die mit Daten arbeiten, und ein Wörterbuch von Konzepten
🧠 Eine kuratierte Liste großartiger ChatGPT-Ressourcen, darunter Bibliotheken, SDKs, APIs und mehr. 🌟 Bitte unterstützen Sie dieses Projekt, indem Sie ihm einen Stern geben.
Ein zu 100 % privater, lokal ausgeführter KI-Assistent für deinen Desktop. Immer präsent und bereit, sich an Gesprächen zu beteiligen. Unterstützt unbegrenzt viele MCP-Tools und unbegrenzten Speicher mit selbstständigem Lernen. Eine kostenlose WisprFlow-Alternative mit Diktierfunktion. Läuft unter macOS, Windows und Linux.
Toolkit für maschinelles Lernen, natürliche Sprachverarbeitung und Textgenerierung in TensorFlow. Dies ist Teil des CASL-Projekts: http://casl-project.ai/
Kashgari ist ein produktionsreifes NLP-Transfer-Learning-Framework auf Basis von tf.keras für Text-Beschriftung und Text-Klassifikation, das Word2Vec, BERT und GPT2 Language Embedding enthält.
Führen Sie JavaScript für wissenschaftliches Rechnen und Datenvisualisierung TOTALLY TOTALLY TOTALLY in Ihrem BROWSER aus, kompilieren und führen Sie es aus! Eine Open-Source-Umgebung für wissenschaftliches Rechnen für JavaScript TOTALLY in Ihrem Browser, Matrixoperationen mit GPU-Beschleunigung, TeX-Unterstützung, Datenvisualisierung und symbolische Berechnungen.
2-2000x schnellere ML-Algorithmen, 50 % weniger Speicherverbrauch, funktioniert auf allen Hardware - neu und alt.
Optax ist eine Bibliothek für Gradientenverarbeitung und -optimierung für JAX.
Meistern Sie die essenziellen Fähigkeiten, die benötigt werden, um komplexe reale Probleme mit Machine Learning und Deep Learning zu erkennen und zu lösen, indem Sie das hochpopuläre Python Machine Learning-Ökosystem nutzen.
Objectron ist ein Datensatz kurzer, objektzentrierter Videoclips. Zusätzlich enthalten die Videos AR-Sitzungsmetadaten, einschließlich Kamera-Posen, sparsamer Punktwolken und Ebenen. In jedem Video bewegt sich die Kamera um und über dem Objekt herum und erfasst es aus verschiedenen Blickwinkeln. Jedes Objekt ist mit einer 3D-Begrenzungsbox annotiert. Die 3D-Begrenzungsbox beschreibt die Position, Orientierung und Abmessungen des Objekts. Der Datensatz enthält etwa 15.000 annotierte Videoclips und 4 Millionen annotierte Bilder in den folgenden Kategorien.
Schöne Visualisierungen, wie sich Sprachen zwischen Dokumententypen unterscheiden.
UpTrain ist eine Open-Source-Plattform, die darauf abzielt, generative KI-Anwendungen zu bewerten und zu verbessern. Wir bieten Noten für über 20 vorkonfigurierte Prüfungen (die Sprach-, Code- und Embedding-Anwendungsfälle abdecken), führen Ursachenanalysen bei Fehlerfällen durch und geben Einblicke, wie diese behoben werden können.
Eine Python-Bibliothek für die Augmentierung von Audiodaten. Nützlich, um Audio-ML-Modelle in der realen Welt gut funktionieren zu lassen, nicht nur im Labor.
Dieses Repository hilft Ihnen, Python und Machine Learning von Grund auf zu lernen.
🔎 Überwachen Sie das Training von Deep-Learning-Modellen und die Hardware-Nutzung von Ihrem Mobiltelefon 📱
Eine einheitliche Orchestrierungsschicht für heterogene KI-Rechenressourcen. Sie standardisiert die Verwaltung von Rechenressourcen sowie die Ausführung von Training und Inferenz in GPU-Clouds, Kubernetes, virtuellen Maschinen oder Bare-Metal-Clustern.
Beherrschen Sie die Grundlagen des maschinellen Lernens, Deep Learning und mathematischen Optimierens, indem Sie wichtige Konzepte und Modelle von Grund auf mit Python aufbauen.
Ein Python-Paket zur Bewertung und Verbesserung der Fairness von Machine-Learning-Modellen.
Das Ziel von CLAIMED ist es, Low-Code/No-Code-Rapid-Prototyping-Programmierung zu ermöglichen, die nahtlos in die Produktion CI/CD wird.