#machine-learning Repositories
Insgesamt 2,070 Repositories
MOA ist ein Open-Source-Framework für Big-Data-Streaming-Mining. Es enthält eine Sammlung von Machine-Learning-Algorithmen (Klassifizierung, Regression, Clustering, Ausreißererkennung, Konzeptdrift-Erkennung und Empfehlungssysteme) sowie Werkzeuge zur Auswertung.
Automatische Aktualisierung von Text-to-Speech (TTS)-Papieren täglich mit Github Actions (Aktualisierung alle 12 Stunden)
Filmempfehlungssystem basierend auf dem kollaborativen Filterungsempfehlungsalgorithmus, implementiert mit Mahout
Dieses Repository enthält Tutorials darüber, wie man die TensorFlow Estimator-APIs verwendet, um verschiedene ML-Aufgaben auf systematische und standardisierte Weise durchzuführen.
Dieses Repository enthält alle Datenanalyseprojekte, an denen ich in Python gearbeitet habe.
Forschungsportfolio eines Gymnasiasten: 2 peer-reviewte Publikationen (IEEE, IJHSR) + 3 laufende Projekte in den Bereichen quanteninspiriertes maschinelles Lernen, Computational Biology, biomedizinische Bildgebung, Reinforcement Learning für Waldbrände und Bildungsforschung im naturwissenschaftlichen Bereich. Mit Verbindungen zu Stanford Medicine, UCLA COSMOS und UCSB SRA.
Ein einfacher und flexibler Code für Reservoir-Computing-Architekturen wie Echo-State-Netzwerke
Ein kostenloser Audiodatensatz gesprochener Ziffern. Eine Audioversion von MNIST.
Notizen und Materialien zu mathematischer Modellierung, maschinellem Lernen/Deep Learning/großen Modellen (wird ständig aktualisiert......).
Das Projekt konzentriert sich auf das Nachverfolgen vermisster Personen. Wir verwenden Bildverarbeitung und maschinelles Lernen zusammen mit einer Postgres-Datenbank.
Schnelle Offline-OCR für Node.js und C++. PP-OCRv6 mit Core-ML-/WebGPU-Hardwarebeschleunigung – erkennt Text in Bildern mit Konfidenzwerten und Koordinaten. npm: @arcships/light-ocr
Bilinguale (Chinesisch + Englisch) Spickzettel für Vorstellungsgespräche zu ML / LLM / Diffusion / Agenten im herbstlichen KI-Recruiting — erstellt mit ARIS /interview-cheatsheet und von /render-html als überall lesbare einteilige HTML-Dateien gerendert — außerdem ein anhand von CV→DBLP faktengeprüfter Generator für akademische Homepages sowie selbst verfasste Langform-Blogs 🌱
Awesome-LLM-Eval: eine kuratierte Liste von Tools, Datensätzen/Benchmarks, Demos, Bestenlisten, Papern, Docs und Modellen, hauptsächlich für die Evaluierung von LLMs. Eine kuratierte Liste von Tools, Benchmark/Daten, Demos, Ranglisten und großen Modellen, die sich hauptsächlich an die Bewertung von Basis-Large Models richtet und darauf abzielt, die technologischen Grenzen der generativen KI zu erforschen.
Die ehrliche Edge-Ebene für Kalshis Prognosemärkte – ein agentenorientiertes Toolkit (CLI, MCP-Server, Claude-Skill), das misst, ob du den Markt tatsächlich schlägst, statt es nur zu behaupten.
Reproduzierbares maschinelles Lernen zur Betrugserkennung bei Kreditkarten – Praktischer Leitfaden
[CVPR 2024] Panda-70M: 70 Millionen Videos mit mehreren Cross-Modality-Lehrern kommentieren
Ein intuitives Tutorial zur Gauß-Prozess-Regression
Azure MLOps (v2) Lösungsbeschleuniger. Unternehmensbereite Vorlagen zur Bereitstellung Ihrer Machine-Learning-Modelle auf der Azure-Plattform.
Teilen Sie Ihre PyTorch-Modelle automatisch auf mehreren GPUs für Training und Inferenz auf
Eine leichtgewichtige, tragbare reine C99 ONNX-Inferenz-Engine für eingebettete Geräte mit Hardwarebeschleunigungsunterstützung.
Ein Repository mit ziemlich coolen Datensätzen, die ich für die Forschung in Netzwerkwissenschaft und maschinellem Lernen gesammelt habe.
Implementierung von Inverse Reinforcement Learning (IRL)-Algorithmen in Python/TensorFlow. Deep MaxEnt, MaxEnt, LPIRL
CAIRI Toolbox und Benchmark für überwachtes, semi-überwachtes und selbst-überwachtes visuelles repräsentatives Lernen
ConvoKit ist ein Toolkit zur Extraktion von konversationellen Merkmalen und zur Analyse sozialer Phänomene in Gesprächen. Es umfasst mehrere große konversationelle Datensätze sowie Skripte, die den Einsatz des Toolkits auf diesen Datensätzen exemplarisch darstellen.
Chinesische Übersetzung von „Machine Learning: A Probabilistic Perspective“ (Kevin P. Murphy) und Python-Implementierungen der Algorithmen im Buch.
🚀 200-fache Geschwindigkeit! Das Download-Tool der KI-Ära | Volle Beschleunigung für Docker/PyPI/HuggingFace/CRAN | Parallelpartitionierung + intelligenter Cache, lass die Downloads abheben.
:chart_with_upwards_trend: Implementierung von acht Bewertungsmetriken zur Bewertung der Ähnlichkeit zwischen zwei Bildern. Die acht Metriken sind wie folgt: RMSE, PSNR, SSIM, ISSM, FSIM, SRE, SAM und UIQ.
HISTDATA - Datensatz bestehend aus allen FX-Handelspaaren / Rohöl / Aktienindizes. Einfache API zum Abrufen von 1-Minuten-Daten (und Tick-Daten) Historische FX-Preise (aktuell).
Dieser Code begleitet das Paper 'Trading with the Momentum Transformer: An Intelligent and Interpretable Architecture' (https://arxiv.org/pdf/2112.08534.pdf).
Python-Paket für Kausale Entdeckung durch das Lernen der grafischen Struktur von Bayes'schen Netzwerken. Structure Learning, Parameter Learning, Inferenzen, Sampling-Methoden.
Ein umfassender Leitfaden für Anfänger im Bereich Datenmanagement und künstliche Intelligenz.