#neural-networks Repositories
Insgesamt 277 Repositories
Google DeepMinds Software-Stack für physikbasierte Simulation und Reinforcement Learning-Umgebungen, der MuJoCo verwendet.
Notizen, Programmieraufgaben und Quizze aus allen Kursen der Coursera Deep Learning Specialization, angeboten von deeplearning.ai: (i) Neuronale Netze und Deep Learning; (ii) Verbesserung tiefer neuronaler Netze: Hyperparameter-Tuning, Regularisierung und Optimierung; (iii) Strukturierung von Machine-Learning-Projekten; (iv) Convolutional Neural Networks; (v) Sequenzmodelle
Einfache Python-Implementierungen grundlegender Machine-Learning-Algorithmen
[ICML 2024] Vision Mamba: Effizientes Lernen visueller Repräsentationen mit bidirektionalen Zustandsraummodellen
Dies sind die handschriftlichen Notizen von Andrew NG auf Coursera.
🧠💬 Artikel, die ich über maschinelles Lernen geschrieben habe, archiviert von MachineCurve.com.
Hummingbird kompiliert trainierte ML-Modelle in Tensor-Berechnungen für schnellere Inferenz.
[NeurIPS 2024] Offizieller Code für PuLID: Reine und blitzschnelle ID-Anpassung durch kontrastierende Ausrichtung
🛠 All-in-one webbasiertes IDE, spezialisiert auf Machine Learning und Data Science.
Ein kleines Paket zum Erstellen von Visualisierungen von PyTorch-Ausführungsgraphen
Eine umfassende Sammlung von KAN (Kolmogorov-Arnold Network)-bezogenen Ressourcen, einschließlich Bibliotheken, Projekten, Tutorials, Papieren und mehr, für Forscher und Entwickler im Bereich des Kolmogorov-Arnold-Netzwerks.
Alle Notizen und Materialien für den Kurs CS229: Maschinelles Lernen der Stanford University
Open-Source-Neural-Network-Schach-Engine mit GPU-Beschleunigung und breiter Hardware-Unterstützung.
Dieses Repository wurde erstellt, um Einsteigern im Machine Learning oder Personen, die sich auf ein Studium vorbereiten, zu helfen. (This repository is intended for helping those who are beginners in machine learning or preparing for study)
Verzeichnis von Tutorials und Open-Source-Code-Repositories für die Arbeit mit Keras, der Python-Deep-Learning-Bibliothek
ein hervorragendes Machine-Learning-Tool, mit dem Sie Modelle trainieren, testen und verwenden können, ohne Code zu schreiben
Elegante, einfach zu bedienende neuronale Netze + wissenschaftliches Rechnen in JAX. https://docs.kidger.site/equinox/
Dieses Paket enthält den ursprünglichen AlexNet-Code von 2012.
Ein Crashkurs in sechs Episoden für Softwareentwickler, die Machine-Learning-Praktiker werden möchten.
Eine kuratierte Liste von Ressourcen zu impliziten neuronalen Darstellungen.
Dezentrales Deep Learning in PyTorch. Entwickelt, um Modelle auf Tausenden von Freiwilligen auf der ganzen Welt zu trainieren.
Nachrichtenweiterleitende neuronale Netze für die Moleküleigenschaftsvorhersage
Hocheffiziente Gleitkomma-Neuronale-Netzwerk-Inferenzoperatoren für Mobilgeräte, Server und Web
Ein Low-Code-Machine-Learning-Service für personalisierte Rankings für Artikel, Angebote, Suchergebnisse und Empfehlungen, der die Benutzerbindung stärkt. Eine benutzerfreundliche Learn-to-Rank-Engine
Quellcode von PyGAD, einer Python 3-Bibliothek zum Aufbau des genetischen Algorithmus und zum Trainieren von Algorithmen des maschinellen Lernens (Keras & PyTorch).
Numerische Lösungsalgorithmen für Differentialgleichungen in JAX. Autodifferenzierbar und GPU-fähig. https://docs.kidger.site/diffrax/
Ein Python-Toolkit/Bibliothek für realitätszentriertes maschinelles/tiefes Lernen & Data Mining bei teilweise beobachteten Zeitreihen, mit über 50 SOTA-Neuronalen Netzwerken für wissenschaftliche Analysenaufgaben (Imputation, Klassifikation, Clustering, Prognose, Anomalieerkennung, Reinigung) an unvollständigen industriellen unregelmäßig gesampelten multivariaten TS mit NaN fehlenden Werten
Parallel Computing und wissenschaftliches maschinelles Lernen (SciML): Methoden und Anwendungen (MIT 18.337J/6.338J)
Continuous Thought Machines, da Denken Zeit braucht und Schlussfolgern ein Prozess ist.
Eine Sammlung von über 1000 Übersichtsartikeln zu Natural Language Processing (NLP) und Machine Learning (ML).
Ein Open-Source-Toolkit für die neuronale hierarchische Multilabel-Textklassifizierung