#lstm Repositorios
Descubre 36 repositorios activos de código abierto de GitHub etiquetados con #lstm, que acumulan 246,923 estrellas en total (una media de 6,858 estrellas por proyecto). El líder de este tema es tesseract-ocr/tesseract, con 77,607 estrellas.
36 repositorios en total
AiLearning: Análisis de Datos + Aprendizaje Automático Práctico + Álgebra Lineal + PyTorch + NLTK + TF2
OCR listo para usar con más de 80 idiomas compatibles y todos los scripts de escritura populares, incluidos latín, chino, árabe, devanagari, cirílico, etc.
Una red neuronal que transforma un mock-up de diseño en un sitio web estático.
RWKV (pronunciado RwaKuv) es un RNN con un gran rendimiento de LLM, que también se puede entrenar directamente como un transformer GPT (paralelizable). Estamos en RWKV-7 "Goose". Por lo tanto, combina lo mejor de RNN y transformer: gran rendimiento, tiempo lineal, espacio constante (sin caché kv), entrenamiento rápido, ctx_len infinito y incrustación de oraciones gratuita.
Tutoriales sobre la implementación de algunos modelos sequence-to-sequence (seq2seq) con PyTorch y TorchText.
En este notebook crearé un proceso completo para predecir los movimientos de precios de las acciones. Síguelo y obtendremos algunos resultados bastante buenos. Para ello usaremos una Red Generativa Antagónica (GAN) con LSTM, un tipo de Red Neuronal Recurrente, como generador, y una Red Neuronal Convolucional, CNN, como discriminador. Usamos LSTM por la razón obvia de que estamos tratando de predecir datos de series temporales. ¿Por qué usamos GAN y específicamente CNN como discriminador? Esa es una buena q
Tutoriales para comenzar con PyTorch y TorchText para análisis de sentimientos.
Robot automático para componer poesía clásica china, x veces explosivo, basado en la API de tensorflow1.10, en mantenimiento y actualización activos, ¡dale star rápidamente, mantente actualizado!
Lista de artículos, código y experimentos que utilizan aprendizaje profundo para pronósticos de series temporales
Tutoriales de Jupyter Notebook para resolver problemas del mundo real con Machine Learning & Deep Learning usando PyTorch. Temas: Detección de rostros con Detectron 2, Detección de anomalías en series temporales con LSTM Autoencoders, Detección de objetos con YOLO v5, Construye tu primera Neural Network, Pronóstico de series temporales para casos diarios de Coronavirus, Análisis de sentimientos con BER
Biblioteca de PyTorch de aprendizaje profundo para pronóstico de series temporales, clasificación y detección de anomalías (originalmente para pronóstico de inundaciones).
Biblioteca autónoma de Machine Learning y Procesamiento del Lenguaje Natural en Go
Lista aproximada de mis recursos favoritos de deep learning, útil para repasar temas o como referencia. He revisado todo el contenido listado allí con cuidado. - Guillaume Chevalier
Este repo contiene implementaciones de diferentes arquitecturas para el reconocimiento de emociones en conversaciones.
:art: Versión mejorada de reconocimiento de fórmulas matemáticas: Fórmulas manuscritas e impresas en chino e inglés, soporta derivación básica de símbolos (estructura de datos basada en el árbol de sintaxis abstracta de LaTeX) Math Formula OCR Pro, soporta escritura a mano, fórmulas mixtas chino-inglés y razonamiento simple de símbolos (basado en LaTeX AST).
Un marco para usar LSTMs para detectar anomalías en datos de series temporales multivariantes. Incluye datos de anomalías de naves espaciales y experimentos de las misiones Mars Science Laboratory y SMAP.
Una biblioteca de aprendizaje profundo para la clasificación de tareas (señales) de EEG, basada en TensorFlow.
Repositorio de código para Deep Learning con Keras publicado por Packt
Una herramienta para convertir archivos ONNX a LiteRT/TFLite/TensorFlow, código nativo de PyTorch (nn.Module), TorchScript (.pt), state_dict (.pt), Exported Program (.pt2) y Dynamo ONNX. También soporta la conversión directa de LiteRT a PyTorch.
Lista de diseño molecular y de materiales utilizando IA generativa y aprendizaje profundo
Una colección de métodos de detección de anomalías (iid/basados en puntos, grafo y series temporales) que incluye aprendizaje activo para detección/descubrimiento de anomalías, minería de reglas bayesianas, descripción para diversidad/explicación/interpretabilidad. Análisis de la incorporación de retroalimentación de etiquetas con detectores basados en ensemble y árboles. Incluye ataques adversarios con Graph Convolutional Network.
Aplicación Web de Predicción del Mercado de Valores basada en Machine Learning y Análisis de Sentimiento de Tweets (claves API incluidas en el código). El frontend de la Web App se basa en Flask y Wordpress. La App pronostica los precios de las acciones de los próximos siete días para cualquier acción dada bajo NASDAQ o NSE ingresada por el usuario. Las predicciones se realizan utilizando tres algoritmos: ARIMA, LSTM, Regresión Lineal. La Web App combina los precios predichos de los próximos siete días con el análisis de sentimiento de los tweets para dar una recomendación.
Detección de Actividades Localizadas Espacio-Temporalmente en Tiempo Real mediante el Seguimiento de Puntos Clave del Cuerpo
Ejemplo de predicción de múltiples series temporales multivariadas con redes neuronales recurrentes LSTM en Python con Keras.
Predicción de precios de acciones utilizando una red neuronal LSTM (memoria a corto y largo plazo) de TensorFlow para la predicción de series temporales
Pronóstico de la carga de energía eléctrica de Delhi utilizando modelos ARIMA, RNN, LSTM y GRU
Un Benchmark de Clasificación de Texto en PyTorch
Clasificar la descripción de delitos de Kaggle San Francisco en 39 clases. Construir el modelo con CNN, RNN (GRU y LSTM) y Word Embeddings en Tensorflow.
Preguntas frecuentes
¿Cuál es el repositorio de #lstm más popular en GitHub?
El proyecto de código abierto de #lstm mejor posicionado en GitHub es tesseract-ocr/tesseract, con 77,607 estrellas. Motor OCR de Código Abierto Tesseract (repositorio principal)
¿Qué lenguajes de programación se utilizan más en los repositorios de #lstm?
Entre los proyectos de #lstm mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, JavaScript, C++.
¿Cómo se calcula la clasificación de los repositorios de #lstm?
Seguimos 36 repositorios activos de código abierto etiquetados con #lstm (500+ estrellas), que suman un total de 246,923 estrellas, con una media de 6,858 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.