#machine-learning Repositories
Insgesamt 2,070 Repositories
Der einfachste Weg, AI-Apps und -Modelle zu hosten - Erstellen Sie Model Inference APIs, Job-Warteschlangen, LLM-Apps, Multi-Model-Pipelines und mehr!
Web-Mining-Modul für Python mit Tools für Scraping, Natural Language Processing, Machine Learning, Netzwerkanalyse und Visualisierung.
🧙 Erstellen, ausführen und verwalten Sie Datenpipelines für die Datenintegration und -transformation.
Eine Python-Bibliothek, die entwickelt wurde, um Entwickler zu befähigen, Anwendungen und Systeme mit eigenständigen Computer-Vision-Fähigkeiten zu erstellen
Vowpal Wabbit ist ein Machine-Learning-System, das die Grenzen des Machine Learning mit Techniken wie online, hashing, allreduce, reductions, learning2search, active und interactive learning vorantreibt.
Deep Learning Interview-Leitfaden (Enthält Mathematik, Machine Learning, Deep Learning, Computer Vision, Natural Language Processing und SLAM usw.)
Zugängliche große Sprachmodelle über k-Bit-Quantisierung für PyTorch.
Out-of-Core Hybrid-Apache-Arrow/NumPy-DataFrame für Python, ML, Visualisierung und Exploration großer tabellarischer Daten mit einer Milliarde Zeilen pro Sekunde 🚀
Qwen-Image ist ein leistungsstarkes Basismodell zur Bildgenerierung, das komplexe Textdarstellung und präzise Bildbearbeitung ermöglicht.
DoWhy ist eine Python-Bibliothek für kausale Inferenz, die die explizite Modellierung und Überprüfung kausaler Annahmen unterstützt. DoWhy basiert auf einer einheitlichen Sprache für kausale Inferenz, die kausale grafische Modelle und potenzielle Ergebnisrahmenwerk kombiniert.
Eine Ressource zum Erlernen von maschinellem Lernen und Deep Learning
BoxMOT: Plugbares Multi-Objekt-Tracking in Python und C++ für achsenparallele und orientierte Boxen, jetzt mit Helm-Bereitstellung für kontinuierliches Kameratracking auf Kubernetes.
Enthält Lösungen und Notizen für die Spezialisierung auf maschinelles Lernen von der Stanford University und Deeplearning.ai - Coursera (2022) von Prof. Andrew NG
Abschied vom Langweiligen, widmet sich der Erstellung praktischer kleiner Python-Beispiele. Mehr gewissenhafte Python-Tutorials unter https://ai-jupyter.com
Ein intelligenter, automatischer, schneller und leichtgewichtiger Web-Scraper für Python
Evidently ist ein Open-Source-Framework für ML- und LLM-Observability. Bewerten, testen und überwachen Sie jedes KI-gestützte System oder jede Datenpipeline. Von tabellarischen Daten bis zu Gen AI. Über 100 Metriken.
Begleitcode in "Praktischem Tutorial zum Training von PyTorch-Modellen"
Notebooks und Code für das Buch "Introduction to Machine Learning with Python"
Klassische Gleichungen und Diagramme im maschinellen Lernen
Nutzung von BERT und c-TF-IDF zur Erstellung leicht interpretierbarer Themen.
22 Prompt-Engineering-Techniken mit praktischen Jupyter-Notebook-Tutorials, von grundlegenden Konzepten bis zu fortgeschrittenen Strategien zur Nutzung von LLMs.
Stanford NLP Python-Bibliothek für Tokenisierung, Satzsegmentierung, NER und Parsing vieler menschlicher Sprachen
Flexibles und leistungsstarkes Framework zur Verwaltung mehrerer KI-Agenten und zur Handhabung komplexer Konversationen
Typsichere, verteilte Orchestrierung von Agenten, ML-Pipelines und Echtzeit-Inferenz auf Ihrem k8s – in reinem Python mit async/await sowie in weiteren Sprachen (Rust, Go und TypeScript)
Werde ein erstklassiger KI/ML-Forscher/Ingenieur mit diesem unkonventionellen Lehrbuch, das Mathematik, Informatik und ML auf intuitive Weise vermittelt.
Buch_3_《Mathematische Elemente》 | Die Iris-Buch: Von Arithmetik bis maschinelles Lernen; Online gestellt; Willkommen zu weiteren Korrekturen, Studenten mit vielen Korrekturen erhalten auch Buchgeschenke!
Dies ist der Code für "Learn Machine Learning in 3 Months" von Siraj Raval auf Youtube
Detaillierter und maßgeschneiderter Leitfaden für Studenten oder alle, die tief in das Feld der KI mit einer soliden Grundlage eintauchen möchten.
H2O ist eine Open-Source-, verteilte, schnelle und skalierbare Machine-Learning-Plattform: Deep Learning, Gradient Boosting (GBM) & XGBoost, Random Forest, Generalized Linear Modeling (GLM mit Elastic Net), K-Means, PCA, Generalized Additive Models (GAM), RuleFit, Support Vector Machine (SVM), Stacked Ensembles, Automatic Machine Learning (AutoML) usw.
Einführungstutorial für Empfehlungssysteme, Online-Leseadresse: https://datawhalechina.github.io/fun-rec/
Sammlung generativer Modelle, z. B. GAN, VAE in PyTorch und TensorFlow.
Eine kuratierte Liste von Notebooks und Bibliotheken für angewandtes Machine Learning und Data Science in verschiedenen Branchen (von @firmai)
Das unternehmensreife Multi-Agenten-Orchestrierungs-Framework. Website: https://swarms.ai
Offenes Lakehouse-Format für multimodale KI. Konvertieren Sie mit 2 Codezeilen von Parquet für 100-mal schnelleren Direktzugriff, Vektorindizierung und Datenversionierung. Kompatibel mit Pandas, DuckDB, Polars, Pyarrow und PyTorch, weitere Integrationen folgen.