#numerical-methods Repositorios
Descubre 39 repositorios activos de código abierto de GitHub etiquetados con #numerical-methods, que acumulan 55,031 estrellas en total (una media de 1,411 estrellas por proyecto). El líder de este tema es rtqichen/torchdiffeq, con 6,437 estrellas.
39 repositorios en total
Solucionadores de EDO diferenciables con soporte completo de GPU y retropropagación de memoria O(1).
Aprendizaje Profundo Informado por la Física: Soluciones Impulsadas por Datos y Descubrimiento de Ecuaciones Diferenciales Parciales No Lineales
Computación Paralela y Aprendizaje Automático Científico (SciML): Métodos y Aplicaciones (MIT 18.337J/6.338J)
Enlaces a trabajos sobre algoritmos de aprendizaje profundo para problemas de física, TUM-I15 y más allá
Una biblioteca de PyTorch dedicada por completo a ecuaciones diferenciales neuronales, modelos implícitos y métodos numéricos relacionados
Kratos Multiphysics (también conocido como Kratos) es un framework para construir software de simulación multidisciplinario paralelo. Modularidad, extensibilidad y HPC son los objetivos principales. Kratos tiene licencia BSD y está escrito en C++ con una extensa interfaz Python.
visualización interactiva de 5 métodos populares de descenso de gradiente con ilustración paso a paso e interfaz de usuario para la sintonización de hiperparámetros
Ejercicios y datos adicionales para EE364a. Sin soluciones; para consumo público.
Un curso de métodos numéricos con Python para ingenieros y científicos: actualmente 5 módulos de aprendizaje, con tareas para estudiantes.
Firedrake es un sistema automatizado para la solución portable de ecuaciones diferenciales parciales utilizando el método de elementos finitos (FEM)
Software libre y de código abierto para cálculos matemáticos y de ingeniería.
Curso intensivo IAP del MIT: Cálculo matricial para el aprendizaje automático y más allá
BackPACK - un paquete de retropropagación construido sobre PyTorch que calcula eficientemente cantidades distintas al gradiente.
ACADO Toolkit es un entorno de software y una colección de algoritmos para el control automático y la optimización dinámica. Proporciona un marco general para el uso de una gran variedad de algoritmos para el control óptimo directo, incluyendo el control predictivo basado en modelo, la estimación de estado y parámetros, y la optimización robusta.
Un framework nativo de Python para la simulación de sistemas dinámicos basado en el paradigma de diagramas de bloques.
Paquete Python para derivadas numéricas y ecuaciones diferenciales parciales en cualquier número de dimensiones。
Preguntas frecuentes
¿Cuál es el repositorio de #numerical-methods más popular en GitHub?
El proyecto de código abierto de #numerical-methods mejor posicionado en GitHub es rtqichen/torchdiffeq, con 6,437 estrellas. Solucionadores de EDO diferenciables con soporte completo de GPU y retropropagación de memoria O(1).
¿Qué lenguajes de programación se utilizan más en los repositorios de #numerical-methods?
Entre los proyectos de #numerical-methods mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, C++, Jupyter Notebook, HTML.
¿Cómo se calcula la clasificación de los repositorios de #numerical-methods?
Seguimos 39 repositorios activos de código abierto etiquetados con #numerical-methods (500+ estrellas), que suman un total de 55,031 estrellas, con una media de 1,411 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.