#machine-learning Repositories
Insgesamt 2,070 Repositories
Eine leichtgewichtige Header-Only-Bibliothek für die Verwendung von Keras (TensorFlow)-Modellen in C++.
Eine Liste von Data-Science-/Maschinellem-Lernen-Ressourcen (meist kostenlos)
JMLR: OmniSafe ist ein infrastrukturelles Framework zur Beschleunigung der SafeRL-Forschung.
Bio-Computing-Plattform mit groß angelegtem Repräsentationslernen und Multi-Task Deep Learning: Das „Propeller“-Bio-Computing-Toolkit
Eine auf Qiskit basierende Open-Source-Bibliothek für skalierbare Aufgaben des Quanten-Maschinellen Lernens auf Quantenhardware und klassischen Simulatoren
Bibliothek zur Merkmalsextraktion aus Zeitreihen (TSFEL): über 60 statistische, zeitliche, spektrale und fraktale Merkmale für die Klassifizierung und Regression von Zeitreihen sowie die Signalverarbeitung in Python
DataDreamer: Anweisung. Synthetische Daten generieren. Modelle trainieren und ausrichten. 🤖💤
Werkzeuge zum Trainieren eines generativen Modells auf beliebigen Audiobeispielen
Sammlung öffentlich verfügbarer Person-Re-Identifikations-Datensätze
Reinforcement Learning-Umgebungen für die Verkehrslichtsteuerung mit SUMO. Kompatibel mit Gymnasium, PettingZoo und beliebten RL-Bibliotheken.
Modulare Reinforcement Learning (RL) Bibliothek (implementiert in PyTorch, JAX und NVIDIA Warp) mit Unterstützung für Gymnasium/Gym, NVIDIA Isaac Lab, MuJoCo Playground und andere Umgebungen
:computer: Lerne, Maschinen lernen zu lassen, damit du nicht mit ihrem Programmieren kämpfen musst; Die ultimative Liste
Offizieller Code für TimeCraft: Ein Framework zur Generierung von Zeitreihen für reale Anwendungen
Einfache Transformer-Implementierung von Grund auf in PyTorch. (Archiv, neueste Version auf Codeberg)
Führe Laya, das quelloffene und Jev-kompatible System-1-Entscheidungsmodell, über ONNX Runtime aus Node.js / TypeScript aus
Biodiversitäts-Hub von Microsoft AI for Good Lab: Projektkatalog, Dokumentation und Navigation für KI im Naturschutz, SPARROW und MegaDetector.
Hochleistungs-, plattformübergreifende Ionic-App für Haushalts-/Gewerbliche Sicherheitsüberwachung mit ZoneMinder
🟣 LLM-Interviewfragen und -antworten, die Ihnen helfen, sich auf Ihr nächstes Vorstellungsgespräch im Bereich maschinelles Lernen und Datenwissenschaft im Jahr 2026 vorzubereiten.
Das WIT (Wikipedia-based Image Text) Dataset ist ein großes multimodales multilinguales Dataset, das über 37 Millionen Bild-Textulare mit über 11 Millionen einzigartigen Bildern in über 100 Sprachen umfasst.
Eine PyTorch-Adversarial-Bibliothek für Angriffs- und Verteidigungsmethoden auf Bildern und Graphen
Offizielles öffentliches Repository für PM4Py (Process Mining for Python) — eine Open-Source-Bibliothek zur Erkundung, Analyse und Optimierung von Geschäftsprozessen mit Python.
Bauen Sie KI-Agenten von Grund auf mit einem lokalen LLM – ohne Frameworks, ohne Cloud‑APIs und ohne verstecktes Denken.
Hands-On Graph Neural Networks mit Python, veröffentlicht von Packt
Effizientes Multi-Skala-3D-Faltungsneuronales Netzwerk für die Segmentierung von 3D-Medizinscans
Einführung in PyTorch, einschließlich Tensorinitialisierung, Operationen, Indizierung und Reshaping.
Zusammenstellung von R- und Python-Programmiercodes auf dem Data Professor YouTube-Kanal.
RAFT enthält grundlegende und weit verbreitete Algorithmen und Primitiven für maschinelles Lernen und Informationsabruf. Die Algorithmen sind CUDA-beschleunigt und bilden Bausteine, um Hochleistungsanwendungen einfacher zu schreiben.
Ein Fork von gym-retro mit zusätzlichen Spielen, Emulatoren und unterstützten Plattformen
Eine kuratierte Liste von Forschungsarbeiten zu Gradient Boosting mit Implementierungen.