#recommender-systems Repositories
Entdecke 23 aktive Open-Source-GitHub-Repositories, die mit #recommender-systems getaggt sind und insgesamt 73,763 Sterne gesammelt haben (durchschnittlich 3,207 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist NVIDIA/DeepLearningExamples mit 14,675 Sternen.
Insgesamt 23 Repositories
State-of-the-Art Deep-Learning-Skripte, nach Modellen organisiert - einfach zu trainieren und bereitzustellen mit reproduzierbarer Genauigkeit und Leistung auf Unternehmensklasse-Infrastruktur.
Dieses Repository enthält eine kuratierte Sammlung von über 300 Fallstudien von mehr als 80 Unternehmen, die praktische Anwendungen und Einblicke in das Design von Systemen für maschinelles Lernen (ML) beschreiben. Die Inhalte sind so organisiert, dass Sie relevante Fallstudien leicht nach Branche oder spezifischen ML-Anwendungsfällen finden können.
Ein industrielles Deep-Learning-Framework für hochdimensionale Sparse-Daten
Von Großunternehmen veröffentlichte KI-Praxisbeispiele, neueste Forschungsarbeiten führender Labore und authentische Erfahrungsberichte über Herausforderungen in der Industrie
Repository, das Code für „Actions Speak Louder than Words: Trillion-Parameter Sequential Transducers for Generative Recommendations“ (https://arxiv.org/abs/2402.17152) hostet.
Umfrage: Eine Sammlung von FANTASTISCHEN Arbeiten und Ressourcen zu Themen großer Sprachmodelle (LLM) im Empfehlungssystembereich.
Eine konfigurierbare, abstimmbare und reproduzierbare Bibliothek für CTR-Vorhersagen https://fuxictr.github.io
Dies sind die Notizen zum maschinellen Lernen-Studium. Vielleicht finden Sie darin etwas Nützliches.
Einführungsleitfaden für Empfehlungssysteme, der umfassend die theoretischen Kenntnisse von industriellen Empfehlungssystemen (Wang Shusen Empfehlungssystem Open Course - Erläuterung des industriellen Empfehlungssystems im tatsächlichen Szenario von Xiaohongshu), die Modellschulung basierend auf TensorFlow2 und die Implementierung von hochleistungsfähigen, hochgradig nebenläufigen und hochverfügbaren Golang-Inferenz-Mikrodiensten behandelt. Umfassende Einführung in die Theorie industrieller Empfehlungssysteme, Modelltraining basierend auf TensorFlow2 und Implementierung hochleistungsfähiger, hoch nebenläufiger und hochverfügbarer Inferenzdienste basierend auf Golang.
⚡️Eine blitzschnelle Python-Bibliothek für Ranking-Bewertung, -Vergleich und -Fusion 🐍
Eine kuratierte Sammlung von Forschungsarbeiten, die die Nutzung von LLMs für graphenbezogene Aufgaben untersuchen.
Notebooks und Beispiele zur Einführung und Nutzung verschiedener Funktionen von Amazon Personalize
Eine Bibliothek von Metriken zur Bewertung von Empfehlungssystemen
PyTorch-Version der neuronalen kollaborativen Filterung
Häufig gestellte Fragen
Welches ist das beliebteste #recommender-systems-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#recommender-systems-Projekt auf GitHub ist NVIDIA/DeepLearningExamples mit 14,675 Sternen. State-of-the-Art Deep-Learning-Skripte, nach Modellen organisiert - einfach zu trainieren und bereitzustellen mit reproduzierbarer Genauigkeit und Leistung auf Unternehmensklasse-Infrastruktur.
Welche Programmiersprachen werden in #recommender-systems-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #recommender-systems-Projekten auf GitHub sind Python, Jupyter Notebook, PureBasic die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #recommender-systems-Repositories berechnet?
Wir verfolgen 23 aktive Open-Source-Repositories, die mit #recommender-systems getaggt sind (500+ Sterne), mit insgesamt 73,763 Sternen und durchschnittlich 3,207 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.