#machine-learning Repositorios
2,070 repositorios en total
La forma más fácil de servir aplicaciones y modelos de IA - ¡Construye APIs de inferencia de modelo, colas de trabajos, apps LLM, pipelines multi-modelo y más!
Módulo de minería web para Python, con herramientas para scraping, procesamiento de lenguaje natural, aprendizaje automático, análisis de redes y visualización.
🧙 Cree, ejecute y administre pipelines de datos para integrar y transformar datos.
Una biblioteca de Python construida para empoderar a los desarrolladores a construir aplicaciones y sistemas con capacidades de Computer Vision autocontenidas
Vowpal Wabbit es un sistema de aprendizaje automático que impulsa la frontera del aprendizaje automático con técnicas como online, hashing, allreduce, reductions, learning2search, active e interactive learning.
Guía de Entrevistas en Deep Learning (Incluye Matemáticas, Machine Learning, Deep Learning, Visión por Computadora, Procesamiento de Lenguaje Natural y SLAM, etc.)
Modelos de lenguaje grandes accesibles a través de cuantización k-bit para PyTorch.
DataFrame híbrido Apache Arrow/NumPy fuera de memoria para Python, ML, visualización y exploración de grandes datos tabulares a mil millones de filas por segundo 🚀
Qwen-Image es un potente modelo fundamental de generación de imágenes capaz de renderizar texto complejo y editar imágenes con precisión.
DoWhy es una biblioteca de Python para la inferencia causal que soporta la modelización y prueba explícita de suposiciones causales. DoWhy se basa en un lenguaje unificado para la inferencia causal, que combina modelos gráficos causales y marcos de resultados potenciales.
Un recurso para aprender sobre Machine learning y Deep Learning
BoxMOT: seguimiento multiobjeto modular en Python y C++ para cajas alineadas con los ejes y orientadas, ahora con despliegue mediante Helm para el seguimiento continuo de cámaras en Kubernetes.
Contiene Soluciones y Notas para la Especialización en Aprendizaje Automático de la Universidad de Stanford y Deeplearning.ai - Coursera (2022) del Prof. Andrew NG
Despídete del aburrimiento, dedicado a crear pequeños ejemplos prácticos de Python, más tutoriales Python concienzudos en https://ai-jupyter.com
Evidently es un framework de código abierto para la observabilidad de ML y LLM. Evalúe, pruebe y monitoree cualquier sistema impulsado por IA o pipeline de datos. Desde datos tabulares hasta Gen AI. Más de 100 métricas.
Código complementario en "Tutorial práctico de entrenamiento de modelos PyTorch"
Cuadernos y código para el libro "Introduction to Machine Learning with Python"
Ecuaciones y diagramas clásicos en el aprendizaje automático
Aprovechamiento de BERT y c-TF-IDF para crear temas fácilmente interpretables.
22 técnicas de ingeniería de prompts con tutoriales prácticos en Jupyter Notebook, desde conceptos fundamentales hasta estrategias avanzadas para aprovechar LLMs.
Biblioteca de Python de Stanford NLP para tokenización, segmentación de oraciones, NER y análisis de muchas lenguas humanas
Framework flexible y potente para gestionar múltiples agentes de IA y manejar conversaciones complejas
Orquestación distribuida y con seguridad de tipos de agentes, canalizaciones de ML e inferencia en tiempo real en tu k8s, en Python puro con async/await y también en otros lenguajes (Rust, Go y TypeScript)
Conviértete en un investigador/ingeniero de IA/ML de alto nivel con este libro de texto poco convencional que cubre matemáticas, computación y aprendizaje automático con intuición.
Libro_3_《Elementos de Matemáticas》 | El libro del iris: de la aritmética al aprendizaje automático; Puesto a la venta; ¡Bienvenido a continuar corrigiendo errores, los estudiantes que corrijan muchos errores también recibirán libros de regalo!
Una biblioteca de Python de código abierto para ingeniería de características automatizada
Este es el código para "Learn Machine Learning in 3 Months" de Siraj Raval en Youtube
Guía detallada y personalizada para estudiantes universitarios o cualquier persona que desee profundizar en el campo de la IA con una base sólida.
H2O es una Plataforma de Machine Learning de Código Abierto, Distribuida, Rápida y Escalable: Deep Learning, Gradient Boosting (GBM) y XGBoost, Random Forest, Generalized Linear Modeling (GLM con Elastic Net), K-Means, PCA, Generalized Additive Models (GAM), RuleFit, Support Vector Machine (SVM), Stacked Ensembles, Automatic Machine Learning (AutoML), etc.
Tutorial introductorio a los sistemas de recomendación, dirección de lectura en línea: https://datawhalechina.github.io/fun-rec/
Colección de modelos generativos, p. ej. GAN, VAE en PyTorch y TensorFlow.
Una lista curada de notebooks y bibliotecas de machine learning aplicado y data science en diferentes industrias (por @firmai)
El marco de orquestación multiagente de nivel empresarial. Sitio web: https://swarms.ai
Formato Lakehouse abierto para IA multimodal. Convierta desde Parquet en 2 líneas de código para un acceso aleatorio 100 veces más rápido, índice vectorial y versionado de datos. Compatible con Pandas, DuckDB, Polars, Pyarrow y PyTorch, con más integraciones próximamente.