#mlops Repositorios
227 repositorios en total
Detección semántica conjunta y control de diseminación de ataques de phishing en redes sociales mediante modelado basado en LLama
Una infraestructura abierta para democratizar y descentralizar el desarrollo de la superinteligencia para la humanidad.
CodeProject.AI Server es un servicio autónomo que los desarrolladores de software pueden incluir y distribuir con sus aplicaciones para aumentar sus aplicaciones con el poder de la IA.
🌀 El framework MLOps completo de 7 pasos | Aprende MLE y MLOps gratis diseñando, construyendo y desplegando un sistema batch de ML de extremo a extremo ~ código fuente + 2,5 horas de material de lectura y video
Una colección de los repositorios de Github más importantes para profesionales de ML, IA y ciencia de datos
🧠 Motorhead es un servidor de recuperación de memoria e información para LLM.
Un framework de servicio de modelos de ML de alto rendimiento, ofrece procesamiento por lotes dinámico y canalizaciones de CPU/GPU para aprovechar al máximo su máquina de cómputo
Inicie su iniciativa LLMOps con un paquete Python flexible, robusto y productivo.
Código para el curso en línea "Despliegue de Modelos de Machine Learning"
Entrena y implementa una API REST de ML para predecir precios de criptomonedas, en 10 pasos
Extensión de la base de datos vectorial de PostgreSQL para crear aplicaciones de IA
Neum AI es un marco de primer nivel para gestionar la creación y sincronización de incrustaciones vectoriales a gran escala.
[MLSys'25] QServe: Cuantificación W4A8KV4 y codesign de sistemas para un servicio de LLM eficiente; [MLSys'25] LServe: Servicio eficiente de LLM para secuencias largas con atención dispersa unificada
Implemente cualquier modelo de IA, agente, base de datos, RAG y pipeline local o remotamente en minutos
Formato universal de intercambio y serialización de modelos para bosques de árboles de decisión
Biblioteca Python mínima para conectarse a LLMs (OpenAI, Anthropic, Google, Groq, Reka, Together, AI21, Cohere, Aleph Alpha, HuggingfaceHub), con un benchmark integrado del rendimiento del modelo.
NVIDIA Data Center GPU Manager (DCGM) es un proyecto para recopilar telemetría y medir el estado de las GPU NVIDIA
Ejercicios y material complementario para el curso de operaciones de aprendizaje automático (Machine Learning Operations) en DTU.
Notebooks, muestras de código, aplicaciones de ejemplo y otros recursos que demuestran cómo usar, desarrollar y administrar flujos de trabajo de aprendizaje automático e IA generativa utilizando Vertex AI de Google Cloud.
Aprenda a crear, desarrollar y mantener una base de código MLOps de última generación
Herramientas de anotación y etiquetado de datos de código abierto
¡Bienvenido al repositorio oficial de Batch18! 📚👩💻 Aquí encontrarás una colección organizada de apuntes de clase, tareas y fragmentos de código generados durante nuestras sesiones.
Este repositorio proporciona una pila personalizable para iniciar nuevos proyectos de ML en Databricks que siguen las mejores prácticas de producción desde el principio.
Repositorio modelo para construir proyectos PyTorch desde cero en cualquier versión de PyTorch/CUDA/cuDNN.
Flujos de trabajo de extremo a extremo de Google Cloud Platform Vertex AI para operaciones de aprendizaje automático
BharatMLStack es una pila de infraestructura de aprendizaje automático de extremo a extremo de código abierto construida en Meesho para soportar cargas de trabajo de ML en tiempo real y por lotes a escala de Bharat
Plantilla Cookiecutter para proyectos FastAPI usando: Machine Learning, uv, GitHub Actions y Pytests
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.
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.
Para registrar y recuperar metadatos asociados con los flujos de trabajo de desarrolladores de ML y científicos de datos.
Backend Triton que permite implementar preprocesamiento, postprocesamiento y otra lógica en Python.
Curso de Machine Learning sin servidor para crear servicios de predicción con IA a partir de modelos y características
Pasa rápidamente del prototipo de ciencia de datos a la canalización. Captura, analiza y transforma notebooks desordenados en canalizaciones de datos con solo dos líneas de código.