#synthetic-data Repositorios
Descubre 49 repositorios activos de código abierto de GitHub etiquetados con #synthetic-data, que acumulan 118,509 estrellas en total (una media de 2,418 estrellas por proyecto). El líder de este tema es stefan-jansen/machine-learning-for-trading, con 21,929 estrellas.
49 repositorios en total
Código para Machine Learning for Trading, 3.ª edición — desde la obtención de datos hasta la ejecución en vivo.
¡Ajusta finamente (SFT/RL), evalúa y despliega Qwen, Gemma o cualquier LLM/VLM agéntico de código abierto!
Construya, evalúe y optimice sistemas de IA. Incluye evaluaciones (evals), RAG, agentes, ajuste fino, generación de datos sintéticos, gestión de conjuntos de datos, MCP y más.
Mimesis es una biblioteca de Python para generar datos falsos pero realistas en múltiples idiomas y configuraciones regionales.
Un pipeline procedural de Blender para la generación de imágenes de entrenamiento fotorrealistas
Distilabel es un framework de datos sintéticos y feedback de IA para ingenieros que necesitan pipelines rápidas, fiables y escalables basadas en artículos de investigación verificados.
Aquí hay una serie de generadores de rostros basados en StyleGAN2
SDG es un marco especializado diseñado para generar datos tabulares estructurados de alta calidad.
🎨 NeMo Data Designer: Genera datos sintéticos de alta calidad desde cero o desde datos semilla.
Synthadoc: Un motor de compilación de conocimiento LLM de código abierto que convierte documentos sin procesar en wikis estructurados y locales. Una alternativa transparente y legible por humanos al RAG tradicional, que puede autogestionarse y mejorarse sin el uso de ninguna herramienta.
Este código de conjunto de datos genera pares de preguntas y respuestas matemáticas, a partir de una variedad de tipos de preguntas de dificultad aproximadamente escolar.
Curación de datos sintéticos para post-entrenamiento y extracción de datos estructurados
Determinación de la ubicación de objetos detectables a baja altura. ¡El SOTA en IA FOSS para drones!
Generadores de datos sintéticos para datos tabulares y series temporales
Cree, enriquezca y transforme conjuntos de datos utilizando modelos de IA sin código
Un marco para el diagnóstico y la optimización integral de agentes mediante interacciones sintéticas realistas y simuladas
DataDreamer: Prompt. Generar datos sintéticos. Entrenar y alinear modelos. 🤖💤
Código oficial para MAMMA: Adquisición de movimiento de múltiples personas precisa y sin marcadores.
Genere sintéticos de alta calidad, entrene, mida y evalúe en un solo pipeline
[ICLR 2025] Síntesis de datos de alineación desde cero solicitando LLMs alineados con nada. ¡Su canal eficiente y de alta calidad para la generación de datos sintéticos!
Una biblioteca ligera para generar conjuntos de datos sintéticos de ajuste de instrucciones para sus datos sin GPT.
Muestreo Verbalizado, una estrategia de solicitud sin entrenamiento para mitigar el colapso de modo en LLM al solicitar respuestas con probabilidades. Logra una mejora de la diversidad de 2-3 veces mientras mantiene la calidad. Marco independiente del modelo con CLI/API para escritura creativa, generación de datos sintéticos y simulación de diálogo.
Generación configurable de esquemas sintéticos y grafos de conocimiento al alcance de su mano
Una biblioteca para generar y evaluar datos tabulares sintéticos para privacidad, equidad y aumento de datos.
Generadores de datos sintéticos para texto estructurado y no estructurado, con aprendizaje diferencialmente privado.
Una herramienta que utiliza simulaciones Monte Carlo avanzadas y procesamiento paralelo Turbit para crear posibles escenarios de predicción de Bitcoin.
Conjunto de datos y referencia para RAG en documentos internos de la empresa.
[CVPR'26 Destacado] Ditto: Escalado de Edición de Video Basada en Instrucciones con un Conjunto de Datos Sintético de Alta Calidad
[CVPR 2025, TPAMI 2026] UniScene: Generación unificada de escenas de conducción centrada en la ocupación
Pipeline de aumento para la renderización de procesos de impresión en papel sintético, fax, escaneo y copiado
[ICML 2023] La implementación oficial del artículo "TabDDPM: Modelado de datos tabulares con modelos de difusión"
Diseña, realiza y analiza los resultados de encuestas y experimentos impulsados por IA. Simula investigaciones de ciencias sociales y estudios de mercado con grandes cantidades de agentes de IA y modelos de lenguaje de gran escala.
Profundidad de cualquier video con datos sintéticos escalables (ICLR 2025)
Echo-4o: Aprovechando imágenes sintéticas de modelos propietarios para una generación de imágenes mejorada
[ICLR 2026] OmniWorld: un conjunto de datos multidominio y multimodal para el modelado de mundos 4D
Genere rápidamente datos sintéticos relevantes para sus proyectos. El generador de datos sintéticos de Databricks Labs (también conocido como `dbldatagen`) puede utilizarse para generar grandes conjuntos de datos simulados o sintéticos para pruebas, pruebas de concepto (POC) y otros usos en entornos de Databricks, incluidos los pipelines de Delta Live Tables.
Dibuja una tienda, genera personajes LLM y míralos comprar: un sandbox 3D isométrico para experimentos de consumidores sintéticos.
Preguntas frecuentes
¿Cuál es el repositorio de #synthetic-data más popular en GitHub?
El proyecto de código abierto de #synthetic-data mejor posicionado en GitHub es stefan-jansen/machine-learning-for-trading, con 21,929 estrellas. Código para Machine Learning for Trading, 3.ª edición — desde la obtención de datos hasta la ejecución en vivo.
¿Qué lenguajes de programación se utilizan más en los repositorios de #synthetic-data?
Entre los proyectos de #synthetic-data mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, TypeScript, Java.
¿Cómo se calcula la clasificación de los repositorios de #synthetic-data?
Seguimos 49 repositorios activos de código abierto etiquetados con #synthetic-data (500+ estrellas), que suman un total de 118,509 estrellas, con una media de 2,418 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.