#machine-learning Repositorios
2,070 repositorios en total
Una hoja de ruta completa de ML (Machine Learning) Full Stack implica aprender las habilidades y tecnologías necesarias para dominar todos los aspectos del machine learning, incluida la recopilación y preprocesamiento de datos, el desarrollo de modelos, la implementación y el mantenimiento.
Un enfoque impulsado por modelos para construir agentes de IA en solo unas pocas líneas de código.
👁 👂 Etiquetado inteligente de medios para Nextcloud: reconoce caras, objetos, paisajes, géneros musicales
VectorFlow es una canalización de incrustación de vectores de alto volumen que ingiere datos sin procesar, los transforma en vectores y los escribe en una base de datos vectorial de su elección.
Una biblioteca para generar y evaluar datos tabulares sintéticos para privacidad, equidad y aumento de datos.
Recursos para trabajar con datos de series temporales y secuencias
Código de prueba de Pytorch y Torch para CartoonGAN [Chen et al., CVPR18]
Cuadernos de investigación de código abierto por el equipo de QuantConnect.
Una colección de algoritmos de última generación para el entrenamiento, servicio e interpretación de modelos de Decision Forest en Keras.
Cliente y kit de herramientas de Python para DataFrames, Big Data, Machine Learning y ETL en Elasticsearch
Una plataforma de IA conversacional de código abierto para interfaces de voz de dominio profundo y chatbots.
Ollama para modelos ML clásicos. Compilador AOT que convierte modelos XGBoost, LightGBM, scikit-learn, CatBoost y ONNX en código de inferencia nativo C99. Un comando para cargar, un comando para servir. 336x más rápido que la inferencia en Python.
Artículos, código y conjuntos de datos sobre aprendizaje profundo para la detección de objetos 3D.
Fabric for Deep Learning (FfDL, pronunciado fiddle) es una Plataforma de Deep Learning que ofrece TensorFlow, Caffe, PyTorch, etc. como Servicio en Kubernetes.
Predicción de precios de acciones utilizando una red neuronal LSTM (memoria a corto y largo plazo) de TensorFlow para la predicción de series temporales
Tutoriales de aprendizaje automático informados por la física (Pytorch y Jax)
BenchMARL es una biblioteca para la evaluación comparativa de Multi-Agent Reinforcement Learning (MARL). BenchMARL permite comparar rápidamente diferentes algoritmos, tareas y modelos de MARL, al tiempo que se basa sistemáticamente en sus dos principios fundamentales: reproducibilidad y estandarización.
ML-capsule es un proyecto para principiantes y entusiastas de la ciencia de datos con experiencia que no tienen un mentor o guía y desean aprender aprendizaje automático (Machine Learning). Usando nuestro repositorio, pueden aprender ML, DL y muchas tecnologías relacionadas con diferentes proyectos del mundo real y prepararse para entrevistas.
Un framework ligero de aprendizaje por refuerzo profundo para la gestión de portafolios. Este proyecto explora la posibilidad de aplicar algoritmos de aprendizaje por refuerzo profundo al trading de acciones en un framework altamente modular y escalable.
Sigue tu Data Science. La biblioteca Python de código abierto de Skore acelera el desarrollo de modelos de ML con informes de evaluación automatizados, orientación metodológica inteligente y análisis exhaustivo de validación cruzada.
Un proyecto sin fines de lucro y de código abierto para hacer la astrología védica fácilmente accesible para todos.
Una lista curada de proyectos guiados de ciencia de datos e IA para comenzar a construir su portafolio
[JMLR 2023] Quantus es un kit de herramientas de IA explicable para la evaluación responsable de las explicaciones de redes neuronales
Una caja de herramientas basada en Python con varios métodos en toma de decisiones, cuantificación de incertidumbre y emulación estadística: multi-fidelidad, diseño experimental, optimización bayesiana, cuadratura bayesiana, etc.
Una biblioteca para entrenar, evaluar, interpretar y producir modelos de bosques de decisión como Random Forest y Gradient Boosted Decision Trees.
Implementación de fragmentos de código, ejercicios y aplicaciones a datos reales de "Machine Learning for Asset Managers (Elements in Quantitative Finance)" escrito por el Prof. Marcos López de Prado.
Ejemplos de técnicas para entrenar modelos ML interpretables, explicar modelos ML y depurar modelos ML en términos de precisión, discriminación y seguridad.
Curso de Machine Learning sin servidor para crear servicios de predicción con IA a partir de modelos y características
Pipeline OCR multimodal optimizado para entrenamiento de ML (texto, figuras, matemáticas, tablas, diagramas)
🙌Colección de más de 234 proyectos basados en aprendizaje automático, aprendizaje profundo, visión por computadora, procesamiento del lenguaje natural y todo lo demás. Muestra tu apoyo ✨ este repositorio.
Una lista curada de recursos increíbles para estrategias de inversión y trading cuantitativo, centrada en aplicaciones de inteligencia artificial y aprendizaje automático en las finanzas.
Reconocimiento automático de matrículas (ALPR) o reconocimiento automático de placas de número (ANPR) software que funciona con cualquier cámara.