#machine-learning Repositories
Insgesamt 2,070 Repositories
Java-Ressourcen-Sammlung Chinesische Version, einschließlich Entwicklungs-Bibliotheken, Entwicklungs-Tools, Websites, Blogs, WeChat, Weibo usw., kontinuierlich aktualisiert von Bole Online.
Kostenloser MLOps-Kurs von DataTalks.Club. Hier registrieren 👇🏼, um über die nächste Kohorte benachrichtigt zu werden
Lernen Sie 4 Monate lang kostenlos ML-Engineering! Hier registrieren 👇🏼
ChatterBot ist eine Machine-Learning-Engine für dialogorientierte Konversationen zur Erstellung von Chatbots
Eine Reihe von Jupyter-Notebooks, die Sie durch die Grundlagen des maschinellen Lernens und des Deep Learnings in Python mit Scikit-Learn, Keras und TensorFlow 2 führen.
Ein Toolkit zur Erstellung von Machine-Learning- und Datenanalyseanwendungen in der realen Welt in C++
Ein sehr einfaches Framework für State-of-the-Art-Natural Language Processing (NLP)
Transfer Learning / Domain Adaptation / Domain Generalization / Multi-Task Learning usw. Papers, Codes, Datasets, Anwendungen, Tutorials. - Transfer Learning
MIT Deep-Learning-Buch im PDF-Format (komplett und Teile) von Ian Goodfellow, Yoshua Bengio und Aaron Courville
PyTorch-Version von Stable Baselines, zuverlässige Implementierungen von Reinforcement-Learning-Algorithmen.
Eine kuratierte Liste toller Amazon Web Services (AWS)-Bibliotheken, Open-Source-Repos, Anleitungen, Blogs und anderer Ressourcen. Mit dem Fiery Meter of AWSome.
1 Zeile Code für Datenqualitäts-Profiling & explorative Datenanalyse für Pandas- und Spark-DataFrames.
✍🏻 Quellcode-Tiefenanalysen, Systemdesign und Engineering-Blogs | Halfrost-Field: Notizen zur Quellcode-Analyse, Systemdesign und Ingenieurspraxis
Erweiterte KI-Erklärbarkeit für Computer Vision. Unterstützung für CNNs, Vision Transformers, Klassifikation, Objekterkennung, Segmentierung, Bildähnlichkeit und mehr.
Tauchen Sie ein in Deep Learning, Reinforcement Learning, Machine Learning, Computer Vision und NLP, indem Sie aus diesen spannenden Vorlesungen lernen!!
Das Code-Repository und Informationsressource für das Buch "Python Machine Learning (1. Auflage)"
Ein Kimi K3-Modell mit 2,78 Billionen Parametern, das Inferenz auf einer einzelnen CPU mit 8,24 GB RAM ausführt. Portables C99: kein BLAS, kein Framework, keine GPU.
Sammlung von Skripten zur Aggregation von Bilddaten für das Training eines NSFW-Bildklassifizierers
cvpr2024/cvpr2023/cvpr2022/cvpr2021/cvpr2020/cvpr2019/cvpr2018/cvpr2017 Papers/Code/Interpretationen/Live-Übertragungen Sammlung, von Jimu Team zusammengestellt
Künstliche Intelligenz Lernkarte, Zusammenstellung von fast 200 praktischen Fällen und Projekten, kostenlose Begleitbücher, Einstieg ohne Vorkenntnisse, berufliche Praxis! Enthalten: Python, Mathematik, Machine Learning, Data-Analyse, Deep Learning, Computer Vision, Natural Language Processing, PyTorch, tensorflow, machine-learning, deep-learning, data-analysis, data-mining, mathematics, data-science, artificial-intelligence, python, tensorflow, tensorflow2, caffe, keras, pytorch, algorithm, numpy, pandas, matplotlib, seaborn, nlp, cv usw. beliebte Bereiche
Meine Python-Skripte zur Erstellung hochwertiger Abbildungen für Publikationen in Top-AI-Konferenzen und -Zeitschriften.
Eine Sammlung von Ressourcen und Papieren zu Diffusionsmodellen
Low-Code-Framework zum Erstellen benutzerdefinierter LLMs, neuronaler Netze und anderer KI-Modelle
Cleanlab's Open-Source-Bibliothek ist das Standard-Data-Centric-AI-Paket für Datenqualität und maschinelles Lernen mit unordentlichen, realen Daten und Labels.
TensorZero ist eine Open-Source-LLMOps-Plattform, die ein LLM-Gateway, Observability, Evaluierung, Optimierung und Experimentierung vereint.
Die AI-Entwicklerplattform. Verwenden Sie Weights & Biases, um Modelle zu trainieren und feinabzustimmen und Modelle von der Experimentierphase bis zur Produktion zu verwalten.
Minimale und saubere Beispiele für Implementierungen von Machine-Learning-Algorithmen
Der Triton Inference Server bietet eine optimierte Cloud- und Edge-Inferenz-Lösung.
Kedro ist eine Toolbox für produktionsreife Data Science. Sie nutzt Best Practices der Software-Engineering, um Ihnen bei der Erstellung von reproduzierbaren, wartbaren und modularen Data-Engineering- und Data-Science-Pipelines zu helfen.
Beispiel-📓 Jupyter-Notebooks, die zeigen, wie man Machine-Learning-Modelle mit 🧠 Amazon SageMaker erstellt, trainiert und bereitstellt.
X-AnyLabeling: Eine schlanke, effiziente und einheitliche plattformübergreifende Desktop-Anwendung zur Annotation von Texten, Bildern, Videos, Punktwolken und multimodalen Daten. Sie kombiniert vielseitige integrierte Werkzeuge mit modernsten KI-Modellen und flexiblen Exportmöglichkeiten in mehreren Formaten.