Git Stars Git Stars

#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
Total de Repositorios
118,509
Total de estrellas
2,418
Promedio de Estrellas/Repo

49 repositorios en total

1
stefan-jansen/machine-learning-for-trading

Código para Machine Learning for Trading, 3.ª edición — desde la obtención de datos hasta la ejecución en vivo.

stefan-jansen
⭐ 21,929 Jupyter Notebook 👤 stefan-jansen User 🕐 Actualizado 2026-11-18 📅 Creado 2018-05-09
2
oumi-ai/oumi

¡Ajusta finamente (SFT/RL), evalúa y despliega Qwen, Gemma o cualquier LLM/VLM agéntico de código abierto!

oumi-ai
⭐ 9,441 Python 👤 oumi-ai Organization 🕐 Actualizado 2026-11-21 📅 Creado 2024-05-07
3
princeton-vl/infinigen

Mundos fotorrealistas infinitos utilizando generación procedural

princeton-vl
⭐ 7,464 Python 👤 princeton-vl Organization 🕐 Actualizado 2026-11-11 📅 Creado 2023-06-17
4
datajuicer/data-juicer

Procesamiento de datos para y con modelos fundacionales. 🍎 🍋 🌽 ➡️ ➡️🍸 🍹 🍷

datajuicer
⭐ 7,266 Python 👤 datajuicer Organization 🕐 Actualizado 2026-11-20 📅 Creado 2023-08-01
5
Kiln-AI/Kiln

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.

Kiln-AI
⭐ 5,286 Python 👤 Kiln-AI Organization 🕐 Actualizado 2026-11-21 📅 Creado 2024-07-23
6
lk-geimfari/mimesis

Mimesis es una biblioteca de Python para generar datos falsos pero realistas en múltiples idiomas y configuraciones regionales.

lk-geimfari
⭐ 4,873 Python 👤 lk-geimfari User 🕐 Actualizado 2026-11-13 📅 Creado 2016-09-09
7
DLR-RM/BlenderProc

Un pipeline procedural de Blender para la generación de imágenes de entrenamiento fotorrealistas

DLR-RM
⭐ 3,804 Python 👤 DLR-RM Organization 🕐 Actualizado 2026-01-20 📅 Creado 2019-10-10
8
sdv-dev/SDV

Generación de datos sintéticos para datos tabulares

sdv-dev
⭐ 3,607 Python 👤 sdv-dev Organization 🕐 Actualizado 2026-11-16 📅 Creado 2018-05-11
9
synthetichealth/synthea

Simulador de Población de Pacientes Sintéticos

synthetichealth
⭐ 3,474 Java 👤 synthetichealth Organization 🕐 Actualizado 2026-11-20 📅 Creado 2016-06-17
10
argilla-io/distilabel

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.

argilla-io
⭐ 3,467 Python 👤 argilla-io Organization 🕐 Actualizado 2026-11-18 📅 Creado 2023-10-16
11
pgmpy/pgmpy

Kit de Herramientas Python para Razonamiento Causal y Probabilístico

pgmpy
⭐ 3,387 Python 👤 pgmpy Organization 🕐 Actualizado 2026-11-21 📅 Creado 2013-09-20
12
a312863063/generators-with-stylegan2

Aquí hay una serie de generadores de rostros basados en StyleGAN2

a312863063
⭐ 2,492 Python 👤 a312863063 User 🕐 Actualizado 2026-09-03 📅 Creado 2019-12-21
13
rpautrat/SuperPoint

Detector y descriptor de características neuronales eficiente

rpautrat
⭐ 2,459 Jupyter Notebook 👤 rpautrat User 🕐 Actualizado 2025-05-05 📅 Creado 2018-03-05
14
hitsz-ids/synthetic-data-generator

SDG es un marco especializado diseñado para generar datos tabulares estructurados de alta calidad.

hitsz-ids
⭐ 2,442 Python 👤 hitsz-ids Organization 🕐 Actualizado 2026-11-16 📅 Creado 2023-08-10
15
NVIDIA-NeMo/DataDesigner

🎨 NeMo Data Designer: Genera datos sintéticos de alta calidad desde cero o desde datos semilla.

NVIDIA-NeMo
⭐ 2,419 Python 👤 NVIDIA-NeMo Organization 🕐 Actualizado 2026-11-21 📅 Creado 2025-10-16
16
unrealcv/unrealcv

UnrealCV: Conectando la visión por computadora con Unreal Engine

unrealcv
⭐ 2,227 Python 👤 unrealcv Organization 🕐 Actualizado 2026-09-04 📅 Creado 2016-09-08
17
axoviq-ai/synthadoc

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.

axoviq-ai
⭐ 1,998 Python 👤 axoviq-ai Organization 🕐 Actualizado 2026-11-21 📅 Creado 2026-04-11
18
google-deepmind/mathematics_dataset

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.

google-deepmind
⭐ 1,925 Python 👤 google-deepmind Organization 🕐 Actualizado 2024-12-23 📅 Creado 2019-03-27
19
GreenmaskIO/greenmask

Anonimización de la base de datos y gestión de datos de prueba

GreenmaskIO
⭐ 1,809 Go 👤 GreenmaskIO Organization 🕐 Actualizado 2026-11-18 📅 Creado 2023-12-01
20
bespokelabsai/curator

Curación de datos sintéticos para post-entrenamiento y extracción de datos estructurados

bespokelabsai
⭐ 1,766 Python 👤 bespokelabsai Organization 🕐 Actualizado 2026-11-02 📅 Creado 2024-10-28
21
stephansturges/WALDO

Determinación de la ubicación de objetos detectables a baja altura. ¡El SOTA en IA FOSS para drones!

stephansturges
⭐ 1,690 Python 👤 stephansturges User 🕐 Actualizado 2025-01-07 📅 Creado 2022-11-02
22
Data-Centric-AI-Community/fg-data-synthetic

Generadores de datos sintéticos para datos tabulares y series temporales

Data-Centric-AI-Community
⭐ 1,662 Jupyter Notebook 👤 Data-Centric-AI-Community Organization 🕐 Actualizado 2026-09-03 📅 Creado 2020-05-04
23
huggingface/aisheets

Cree, enriquezca y transforme conjuntos de datos utilizando modelos de IA sin código

huggingface
⭐ 1,656 TypeScript 👤 huggingface Organization 🕐 Actualizado 2026-09-23 📅 Creado 2025-01-16
24
sdv-dev/CTGAN

GAN condicional para generar datos tabulares sintéticos.

sdv-dev
⭐ 1,579 Python 👤 sdv-dev Organization 🕐 Actualizado 2026-11-16 📅 Creado 2019-09-08
25
shuttle-hq/synth

El generador de datos declarativo

shuttle-hq
⭐ 1,472 Rust 👤 shuttle-hq Organization 🕐 Actualizado 2024-09-27 📅 Creado 2020-08-09
26
plurai-ai/intellagent

Un marco para el diagnóstico y la optimización integral de agentes mediante interacciones sintéticas realistas y simuladas

plurai-ai
⭐ 1,266 Python 👤 plurai-ai Organization 🕐 Actualizado 2026-09-14 📅 Creado 2024-10-28
27
datadreamer-dev/DataDreamer

DataDreamer: Prompt. Generar datos sintéticos. Entrenar y alinear modelos.   🤖💤

datadreamer-dev
⭐ 1,112 Python 👤 datadreamer-dev Organization 🕐 Actualizado 2025-02-02 📅 Creado 2023-06-02
28
cuevhv/mamma

Código oficial para MAMMA: Adquisición de movimiento de múltiples personas precisa y sin marcadores.

cuevhv
⭐ 907 Python 👤 cuevhv User 🕐 Actualizado 2026-11-10 📅 Creado 2026-05-06
29
nolabs-ai/deepfabric

Genere sintéticos de alta calidad, entrene, mida y evalúe en un solo pipeline

nolabs-ai
⭐ 896 Python 👤 nolabs-ai Organization 🕐 Actualizado 2026-11-13 📅 Creado 2024-10-25
30
magpie-align/magpie

[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!

magpie-align
⭐ 861 Python 👤 magpie-align Organization 🕐 Actualizado 2025-03-17 📅 Creado 2024-06-12
31
BatsResearch/bonito

Una biblioteca ligera para generar conjuntos de datos sintéticos de ajuste de instrucciones para sus datos sin GPT.

BatsResearch
⭐ 831 Python 👤 BatsResearch Organization 🕐 Actualizado 2025-07-15 📅 Creado 2024-02-25
32
CHATS-lab/verbalized-sampling

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.

CHATS-lab
⭐ 828 Python 👤 CHATS-lab Organization 🕐 Actualizado 2026-11-08 📅 Creado 2025-05-20
33
mostly-ai/mostlyai

SDK de datos sintéticos ✨

mostly-ai
⭐ 805 Python 👤 mostly-ai Organization 🕐 Actualizado 2026-10-29 📅 Creado 2023-12-22
34
nicolas-hbt/pygraft

Generación configurable de esquemas sintéticos y grafos de conocimiento al alcance de su mano

nicolas-hbt
⭐ 718 Python 👤 nicolas-hbt User 🕐 Actualizado 2026-01-26 📅 Creado 2023-09-07
35
vanderschaarlab/synthcity

Una biblioteca para generar y evaluar datos tabulares sintéticos para privacidad, equidad y aumento de datos.

vanderschaarlab
⭐ 697 Python 👤 vanderschaarlab Organization 🕐 Actualizado 2026-04-21 📅 Creado 2022-03-18
36
gretelai/gretel-synthetics

Generadores de datos sintéticos para texto estructurado y no estructurado, con aprendizaje diferencialmente privado.

gretelai
⭐ 671 Python 👤 gretelai Organization 🕐 Actualizado 2025-06-24 📅 Creado 2020-03-02
37
jofpin/synthBTC

Una herramienta que utiliza simulaciones Monte Carlo avanzadas y procesamiento paralelo Turbit para crear posibles escenarios de predicción de Bitcoin.

jofpin
⭐ 664 JavaScript 👤 jofpin User 🕐 Actualizado 2024-08-04 📅 Creado 2024-08-02
38
sdv-dev/Copulas

Una biblioteca para modelar datos multivariados usando copulas.

sdv-dev
⭐ 658 Python 👤 sdv-dev Organization 🕐 Actualizado 2026-11-16 📅 Creado 2017-11-13
39
onyx-dot-app/EnterpriseRAG-Bench

Conjunto de datos y referencia para RAG en documentos internos de la empresa.

onyx-dot-app
⭐ 639 👤 onyx-dot-app Organization 🕐 Actualizado 2026-09-03 📅 Creado 2026-02-19
40
EzioBy/Ditto

[CVPR'26 Destacado] Ditto: Escalado de Edición de Video Basada en Instrucciones con un Conjunto de Datos Sintético de Alta Calidad

EzioBy
⭐ 636 Python 👤 EzioBy User 🕐 Actualizado 2026-06-01 📅 Creado 2025-10-19
41
Arlo0o/UniScene-Unified-Occupancy-centric-Driving-Scene-Generation

[CVPR 2025, TPAMI 2026] UniScene: Generación unificada de escenas de conducción centrada en la ocupación

Arlo0o
⭐ 624 Python 👤 Arlo0o User 🕐 Actualizado 2026-05-24 📅 Creado 2024-12-10
42
sparkfish/augraphy

Pipeline de aumento para la renderización de procesos de impresión en papel sintético, fax, escaneo y copiado

sparkfish
⭐ 559 Python 👤 sparkfish Organization 🕐 Actualizado 2025-07-20 📅 Creado 2021-05-31
43
yandex-research/tab-ddpm

[ICML 2023] La implementación oficial del artículo "TabDDPM: Modelado de datos tabulares con modelos de difusión"

yandex-research
⭐ 523 Python 👤 yandex-research Organization 🕐 Actualizado 2024-07-13 📅 Creado 2022-10-02
44
expectedparrot/edsl

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.

expectedparrot
⭐ 521 Python 👤 expectedparrot Organization 🕐 Actualizado 2026-11-21 📅 Creado 2024-01-02
45
Nightmare-n/DepthAnyVideo

Profundidad de cualquier video con datos sintéticos escalables (ICLR 2025)

Nightmare-n
⭐ 508 Python 👤 Nightmare-n User 🕐 Actualizado 2024-12-04 📅 Creado 2024-10-08
46
yejy53/Echo-4o

Echo-4o: Aprovechando imágenes sintéticas de modelos propietarios para una generación de imágenes mejorada

yejy53
⭐ 507 Jupyter Notebook 👤 yejy53 User 🕐 Actualizado 2025-12-09 📅 Creado 2025-08-11
47
yangzhou24/OmniWorld

[ICLR 2026] OmniWorld: un conjunto de datos multidominio y multimodal para el modelado de mundos 4D

yangzhou24
⭐ 506 Python 👤 yangzhou24 User 🕐 Actualizado 2026-04-16 📅 Creado 2025-09-15
48
databrickslabs/dbldatagen

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.

databrickslabs
⭐ 506 Python 👤 databrickslabs Organization 🕐 Actualizado 2026-10-26 📅 Creado 2019-07-23
49
intellicia-public/parastore

Dibuja una tienda, genera personajes LLM y míralos comprar: un sandbox 3D isométrico para experimentos de consumidores sintéticos.

intellicia-public
⭐ 502 TypeScript 👤 intellicia-public Organization 🕐 Actualizado 2026-05-21 📅 Creado 2026-05-15

Preguntas frecuentes

1

¿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.

2

¿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.

3

¿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.