#mlops Repositories
Insgesamt 227 Repositories
Gemeinsame semantische Erkennung und Verbreitungssteuerung von Phishing-Angriffen in sozialen Medien durch LLama-basierte Modellierung
Eine offene Infrastruktur zur Demokratisierung und Dezentralisierung der Entwicklung von Superintelligenz für die Menschheit.
CodeProject.AI Server ist ein in sich geschlossener Dienst, den Softwareentwickler in ihre Anwendungen integrieren und mit ihnen vertreiben können, um ihre Apps mit der Leistungsfähigkeit von KI zu erweitern.
🌀 Der vollständige 7-Schritte-MLOps-Framework | Lernen Sie MLE & MLOps kostenlos, indem Sie ein End-to-End-ML-Batch-System entwerfen, erstellen und bereitstellen ~ Quellcode + 2,5 Stunden Lese- & Videomaterialien
Eine Sammlung der wichtigsten Github-Repos für ML-, KI- und Data-Science-Praktiker
🧠 Motorhead ist ein Server zum Abrufen von Erinnerungen und Informationen für LLMs.
Ein performantes ML-Modell-Serving-Framework, das dynamisches Batching und CPU/GPU-Pipelines bietet, um Ihre Rechenmaschine voll auszunutzen
Starten Sie Ihre LLMOps-Initiative mit einem flexiblen, robusten und produktiven Python-Paket.
Code für den Online-Kurs „Deployment von Machine-Learning-Modellen“
Trainieren und Bereitstellen einer ML-REST-API zur Vorhersage von Krypto-Preisen in 10 Schritten
Neum AI ist ein erstklassiges Framework, um die Erstellung und Synchronisierung von Vektor-Embeddings in großem Maßstab zu verwalten.
[MLSys'25] QServe: W4A8KV4 Quantisierung und System-Co-Design für effizientes LLM-Serving; [MLSys'25] LServe: Effizientes LLM-Serving für lange Sequenzen mit vereinheitlichter spärlicher Aufmerksamkeit
Stellen Sie jedes KI-Modell, jeden Agenten, jede Datenbank, jedes RAG und jede Pipeline innerhalb von Minuten lokal oder remote bereit
Universelles Modellaustausch- und Serialisierungsformat für Entscheidungsbaumwälder
Minimale Python-Bibliothek zur Verbindung mit LLMs (OpenAI, Anthropic, Google, Groq, Reka, Together, AI21, Cohere, Aleph Alpha, HuggingfaceHub) mit einem integrierten Modellleistungs-Benchmark.
NVIDIA Data Center GPU Manager (DCGM) ist ein Projekt zum Sammeln von Telemetriedaten und zur Messung des Zustands von NVIDIA-GPUs
Übungen und ergänzendes Material für den Kurs über maschinelles Lernen (Machine Learning Operations) an der DTU.
Notebooks, Codebeispiele, Beispiel-Apps und andere Ressourcen, die die Verwendung, Entwicklung und Verwaltung von Machine-Learning- und generativen KI-Workflows mit Google Cloud Vertex AI demonstrieren.
Erfahren Sie, wie Sie eine hochmoderne MLOps-Codebasis erstellen, entwickeln und pflegen
Willkommen im offiziellen Repository von Batch18! 📚👩💻 Hier findest du eine organisierte Sammlung von Kursnotizen, Aufgaben und Codeauszügen, die während unserer Sitzungen generiert wurden.
Dieses Repository bietet einen anpassbaren Stack für den Start neuer ML-Projekte auf Databricks, die von Anfang an Produktions-Best-Practices befolgen.
Repository-Vorlage zum Erstellen von PyTorch-Projekten aus dem Quellcode für jede Version von PyTorch/CUDA/cuDNN.
Ende-zu-Ende-Workflows der Google Cloud Platform Vertex AI für Machine-Learning-Operationen
BharatMLStack ist ein Open-Source-, End-to-End-Machine-Learning-Infrastruktur-Stack, der bei Meesho entwickelt wurde, um Echtzeit- und Batch-ML-Workloads in Bharat-Größe zu unterstützen
Cookiecutter-Vorlage für FastAPI-Projekte mit: Machine Learning, uv, GitHub Actions und Pytests
Eine Full Stack ML (Machine Learning) Roadmap beinhaltet das Erlernen der notwendigen Fähigkeiten und Technologien, um in allen Aspekten des maschinellen Lernens versiert zu werden, einschließlich Datenerfassung und -vorverarbeitung, Modellentwicklung, Bereitstellung und Wartung.
Ollama für klassische ML-Modelle. AOT-Compiler, der XGBoost, LightGBM, scikit-learn, CatBoost & ONNX-Modelle in nativen C99-Inferenzcode umwandelt. Ein Befehl zum Laden, ein Befehl zum Servieren. 336x schneller als Python-Inferenz.
Zur Aufzeichnung und Abruf von Metadaten, die mit Workflows von ML-Entwicklern und Data Scientists verbunden sind.
Triton-Backend, das die Implementierung von Vorverarbeitung, Nachverarbeitung und anderer Logik in Python ermöglicht.
Serverless Machine Learning Kurs zum Erstellen von KI-gestützten Vorhersagediensten aus Modellen und Features
Schnelle Entwicklung vom Data-Science-Prototyp zur Pipeline. Erfassen, analysieren und transformieren Sie unordentliche Notebooks mit nur zwei Codezeilen in Datenpipelines.