#transfer-learning Repositorios
Descubre 56 repositorios activos de código abierto de GitHub etiquetados con #transfer-learning, que acumulan 149,105 estrellas en total (una media de 2,662 estrellas por proyecto). El líder de este tema es datawhalechina/leedl-tutorial, con 16,879 estrellas.
56 repositorios en total
《Tutorial de Aprendizaje Profundo de Li Hongyi》(Recomendado por el profesor Li Hongyi 👍, Apple Books 🍎), Enlace de descarga PDF: https://github.com/datawhalechina/leedl-tutorial/releases
Aprendizaje por transferencia / Adaptación de dominio / Generalización de dominio / Aprendizaje multitarea etc. Artículos, códigos, conjuntos de datos, aplicaciones, tutoriales. - Aprendizaje por transferencia
Código para el artículo "Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer"
Anotar sus propios conjuntos de datos, entrenar, evaluar, probar e implementar sus propios algoritmos de inteligencia artificial
Biblioteca de aprendizaje por transferencia para adaptación de dominio, adaptación de tarea y generalización de dominio
🔥🔥Biblioteca de Reconocimiento Facial de Alto Rendimiento en PaddlePaddle & PyTorch🔥🔥
Una biblioteca para el aprendizaje por transferencia reutilizando partes de modelos de TensorFlow.
Colección de impresionantes modelos de visión-lenguaje para tareas de visión
Implementación de Segnet, FCN, UNet, PSPNet y otros modelos en Keras.
Tutoriales de Jupyter Notebook para resolver problemas del mundo real con Machine Learning & Deep Learning usando PyTorch. Temas: Detección de rostros con Detectron 2, Detección de anomalías en series temporales con LSTM Autoencoders, Detección de objetos con YOLO v5, Construye tu primera Neural Network, Pronóstico de series temporales para casos diarios de Coronavirus, Análisis de sentimientos con BER
Kashgari es un marco de aprendizaje por transferencia NLP de nivel de producción construido sobre tf.keras para etiquetado de texto y clasificación de texto, incluye Word2Vec, BERT y GPT2 Language Embedding.
Biblioteca de PyTorch de aprendizaje profundo para pronóstico de series temporales, clasificación y detección de anomalías (originalmente para pronóstico de inundaciones).
Muchos estudios han demostrado que el rendimiento en el aprendizaje profundo se ve significativamente afectado por el volumen de datos de entrenamiento. El proyecto MedicalNet proporciona una serie de modelos pre-entrenados 3D-ResNet y el código relativo.
Personaliza el modelo Segment Anything (SAM) con 1 toma en 10 segundos
Código para el artículo de TKDE "Aprendizaje auto-supervisado en grafos: ¿Contrastivo, generativo o predictivo?"
🛸 Usa transformadores preentrenados como BERT, XLNet y GPT-2 en spaCy
Crea, entrena, optimiza y ejecuta modelos de visión por computadora localmente, desde imágenes sin procesar hasta inferencia en tiempo real. De código abierto y optimizado para Intel® XPU (también compatible con CUDA).
Colección de fantásticos métodos de adaptación en tiempo de prueba (dominio/lote/instancia)
Una lista completa de impresionantes artículos de aprendizaje autocontrolado contrastivo.
TorchXRayVision: Una biblioteca de conjuntos de datos y modelos de rayos X de tórax. Clasificadores, segmentación y autoencoders.
Una lista curada de recursos de NLP enfocada en redes Transformer, mecanismo de atención, GPT, BERT, ChatGPT, LLMs y aprendizaje por transferencia.
Artículos ICCV 2023-2025: Descubra investigaciones de vanguardia de ICCV 2023-25, la conferencia líder en visión por computadora. Manténgase al día sobre lo último en visión por computadora y aprendizaje profundo, con código incluido. ⭐ ¡Apoye el desarrollo de la inteligencia visual!
Herramienta de diseño molecular con IA para diseño de novo, salto de andamio (scaffold hopping), reemplazo de grupo R, diseño de enlazadores y optimización de moléculas.
Gaze-LLE: Estimación del objetivo de la mirada a través de codificadores aprendidos a gran escala (CVPR 2025, Highlight)
Una lista curada de DATASETS, CODEBASES y PAPERS sobre Multi-Task Learning (MTL), desde la perspectiva del Machine Learning.
Fusión de Modelos en LLMs, MLLMs y más allá: Métodos, Teorías, Aplicaciones y Oportunidades. ACM Computing Surveys, 2026.
[Premio al Joven Científico de MICCAI 2019] [Premio al Mejor Artículo de MedIA] Models Genesis: preentrenamiento autosupervisado para imágenes médicas 3D. Aprende representaciones transferibles a partir de volúmenes de TC y RM sin etiquetar, y luego realiza un ajuste fino para tareas posteriores de segmentación y clasificación. Incluye pesos para Keras y PyTorch.
Implementación en TensorFlow y PyTorch de "Meta-Transfer Learning for Few-Shot Learning" (CVPR2019)
El repositorio principal para la investigación y el desarrollo de última generación en respuesta a preguntas multilingües.
BiomedGPT: Un modelo de fundación generalista de Visión y Lenguaje para diversas tareas biomédicas
Prov-GigaPath: Un modelo fundacional de portaobjetos completo para patología digital a partir de datos del mundo real
Ciclo de vida completo de un proyecto de ciencia de datos
El código oficial para "One Fits All: Power General Time Series Analysis by Pretrained LM (NeurIPS 2023 Spotlight)"
Preguntas frecuentes
¿Cuál es el repositorio de #transfer-learning más popular en GitHub?
El proyecto de código abierto de #transfer-learning mejor posicionado en GitHub es datawhalechina/leedl-tutorial, con 16,879 estrellas. 《Tutorial de Aprendizaje Profundo de Li Hongyi》(Recomendado por el profesor Li Hongyi 👍, Apple Books 🍎), Enlace de descarga PDF: https://github.com/datawhalechina/leedl-tutorial/releases
¿Qué lenguajes de programación se utilizan más en los repositorios de #transfer-learning?
Entre los proyectos de #transfer-learning mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook.
¿Cómo se calcula la clasificación de los repositorios de #transfer-learning?
Seguimos 56 repositorios activos de código abierto etiquetados con #transfer-learning (500+ estrellas), que suman un total de 149,105 estrellas, con una media de 2,662 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.