Jupyter Notebook Repositorios
1,614 repositorios en total
Cuadernos de Jupyter para las muestras de código del libro "Deep Learning with Python"
Qwen3-VL es la serie de modelos de lenguaje grandes multimodales desarrollada por el equipo Qwen de Alibaba Cloud.
El repositorio proporciona código para ejecutar la inferencia con el Meta Segment Anything Model 2 (SAM 2), enlaces para descargar los puntos de control del modelo entrenado y cuadernos de ejemplo que muestran cómo usar el modelo.
Materiales para el curso "Learn PyTorch for Deep Learning: Zero to Mastery".
Un diminuto motor autograd con valores escalares y una biblioteca de redes neuronales sobre él con API similar a PyTorch
[🔥actualizando ...] Robot de trading cuantitativo AI automático (despliegue completamente local) Plataforma de investigación de inversiones cuantitativas impulsada por IA. 📃 documentación en línea: https://ufund-me.github.io/Qbot ✨ :news: qbot-mini: https://github.com/Charmve/iQuant
¡Bienvenido al Cookbook de Llama! Esta es su guía de referencia para construir con Llama: Primeros pasos con inferencia, fine-tuning, RAG. También le mostramos cómo resolver problemas de extremo a extremo utilizando la familia de modelos Llama y utilizándolos en varios servicios de proveedores.
Libro del filtro de Kalman usando Jupyter Notebook. Se enfoca en construir intuición y experiencia, no en pruebas formales. Incluye filtros de Kalman, filtros de Kalman extendidos, filtros de Kalman sin perfume, filtros de partículas y más. Todos los ejercicios incluyen soluciones.
Comience a crear agentes Fullstack con Gemini 2.5 y LangGraph
[WIP] Recursos para ingenieros de IA. También contiene materiales de apoyo para el libro AI Engineering (Chip Huyen, 2025)
💿 Software gratuito que funciona de maravilla y que, por cierto, es Python de código abierto.
Código de muestra y cuadernos para IA generativa en Google Cloud con la plataforma Gemini
Este proyecto abarca los puntos de conocimiento e implementaciones de código que se suelen preguntar en las entrevistas de Machine Learning, Deep Learning y PNL, y es también un conocimiento teórico fundamental que todo ingeniero de algoritmos debe dominar.
AISystem se refiere principalmente a sistemas de IA, que incluyen tecnologías subyacentes de pila completa de IA como chips de IA, compiladores de IA, y frameworks de inferencia y entrenamiento de IA
Este plan de estudios de código abierto introduce los fundamentos del Protocolo de Contexto de Modelo (MCP) a través de ejemplos del mundo real y multilingües en .NET, Java, TypeScript, JavaScript, Rust y Python. Diseñado para desarrolladores, se centra en técnicas prácticas para crear flujos de trabajo de IA modulares, escalables y seguros, desde la configuración de la sesión hasta la orquestación de servicios.
Una colección de diversas arquitecturas, modelos y consejos de aprendizaje profundo
Grounded SAM: Uniendo Grounding DINO con Segment Anything & Stable Diffusion & Recognize Anything - Detecta, segmenta y genera todo automáticamente
《Tutorial de Aprendizaje Profundo de Li Hongyi》(Recomendado por el profesor Li Hongyi 👍, Apple Books 🍎), Enlace de descarga PDF: https://github.com/datawhalechina/leedl-tutorial/releases
Una introducción práctica a la tecnología de video: imagen, video, códec (av1, vp9, h265) y más (codificación ffmpeg).
Curso gratuito de MLOps de DataTalks.Club. Regístrate aquí 👇🏼 para recibir notificaciones sobre la próxima cohorte
Página web complementaria del libro "Mathematics For Machine Learning"
Este repositorio contiene implementaciones y código ilustrativo para acompañar las publicaciones de DeepMind.
API de reconocimiento de voz offline para Android, iOS, Raspberry Pi y servidores con Python, Java, C# y Node
El Científico de IA: Hacia el Descubrimiento Científico Abierto Totalmente Automatizado 🧑🔬
¡Aprende ingeniería de ML gratis en 4 meses! Regístrate aquí 👇🏼
Este repositorio contiene el código fuente del artículo First Order Motion Model for Image Animation
Tutorial de aprendizaje por refuerzo en chino (Libro de los Hongos 🍄), dirección de lectura en línea: https://datawhalechina.github.io/easy-rl/
Tutorial de Procesamiento del Lenguaje Natural para Investigadores en Deep Learning
Scripts de deep learning de vanguardia organizados por modelos - fáciles de entrenar y desplegar con precisión y rendimiento reproducibles en infraestructura de grado empresarial.
Una serie de cuadernos Jupyter que te guían a través de los fundamentos del aprendizaje automático y el aprendizaje profundo en Python utilizando Scikit-Learn, Keras y TensorFlow 2.
Este proyecto es un tutorial de desarrollo de aplicaciones de modelos grandes dirigido a desarrolladores principiantes. Dirección de lectura en línea: https://datawhalechina.github.io/llm-universe/
Implementación del artículo - YOLOv7: "Bag-of-freebies" entrenables establece un nuevo estado del arte para detectores de objetos en tiempo real
Código y modelos de PyTorch para el método de aprendizaje autosupervisado DINOv2.