Jupyter Notebook Dépôts
1,614 dépôts au total
Projets de vision par ordinateur | Projets d'IA amusants liés à la vision par ordinateur (Python, C++, systèmes embarqués)
Extensions Jupyter qui vous aident à écrire du code plus rapidement : chat IA contextuel, autocomplétion et tableur
LeetCode pour PyTorch — 65 problèmes d’entretien en ML/IA issus de véritables entretiens chez Google, Meta et Anthropic. Des notebooks Jupyter, un correcteur automatique et un tuteur IA basé sur MCP.
Apache Hamilton aide les scientifiques des données et les ingénieurs à définir des dataflows testables, modulaires et auto-documentants, qui encodent la lignée/le traçage et les métadonnées. S'exécute et s'adapte partout où python le fait.
Notebooks, exemples de code et références pour le machine learning et l'IA générative sur Google Cloud pour les bootcamps de l'Advanced Solutions Lab (ASL).
Ensemble de données DeepFashion2 https://arxiv.org/pdf/1901.07973.pdf
Tableaux de bord interactifs Python pour l'apprentissage de la science des données
Apprenez Ollama activement, déploiement de grands modèles sur CPU, adresse de lecture en ligne : https://datawhalechina.github.io/handy-ollama/
Face Depixelizer basé sur le dépôt "PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of Generative Models".
Ce dépôt contient une liste de projets de scripts python progressant lentement du niveau débutant. Plus d'extraits de code seront bientôt ajoutés. N'hésitez pas à cloner ce dépôt.
Implémentations simplifiées d'œuvres liées à l'apprentissage profond
Un système logiciel éducatif d'un compilateur C minuscule auto-compilant, d'un émulateur RISC-V minuscule auto-exécutant et d'un hyperviseur RISC-V minuscule auto-hébergé.
Ce dépôt contient diverses techniques avancées pour les systèmes de génération augmentée par récupération (RAG).
Notes de cours d'algèbre linéaire avec Python. Cette série de notes de cours vous guidera à travers tous les concepts incontournables qui jettent les bases de la science des données ou des compétences quantitatives avancées. Convient aux statisticiens/économètres, analystes quantitatifs, scientifiques des données, etc. pour rafraîchir rapidement l'algèbre linéaire avec l'aide du calcul et de la visualisation Python.
Leçons d'apprentissage automatique et projets pédagogiques conçus pour les ingénieurs
Ceci est le dépôt pour notre nouveau projet Highly Accurate Dichotomous Image Segmentation
Tutoriels Jupyter Notebook pour résoudre des problèmes du monde réel avec Machine Learning & Deep Learning en utilisant PyTorch. Sujets : Détection de visages avec Detectron 2, Détection d'anomalies dans les séries temporelles avec LSTM Autoencoders, Détection d'objets avec YOLO v5, Construisez votre premier Neural Network, Prévision de séries temporelles pour les cas quotidiens de Coronavirus, Analyse de sentiments avec BER
Implémentation PyTorch de SimCLR : Un cadre simple pour l'apprentissagecontrastif de représentations visuelles
Code pour le livre Make Your Own Neural Network
Ce dépôt contient les exercices et leur solution contenus dans le livre "An Introduction to Statistical Learning" en Python.
Un référentiel comprenant principalement des ressources du Gate DA et de l'IA
À propos de la publication du code pour "Autoformer : Decomposition Transformers with Auto-Correlation for Long-Term Series Forecasting" (NeurIPS 2021), https://arxiv.org/abs/2106.13008
EfficientSAM : Masked Image Pretraining exploité pour Segment Anything efficace
Gestion de toutes les données non structurées, telles que la recherche inversée d'images, la recherche audio, la recherche moléculaire, l'analyse vidéo, les systèmes de questions-réponses, NLP, etc.
Implémentation de la détection de visages MTCNN pour TensorFlow, en tant que package PIP.
SDK pour interagir avec les API d'stability.ai (par exemple, l'inférence Stable Diffusion)
Modèle 3D U-Net pour la segmentation sémantique volumétrique écrit en PyTorch
Qwen-UI-Agent : Vers la prochaine génération d'agents d'interface graphique fondamentaux centrés sur le monde réel
Machine Learning University : Cours accéléré de traitement du langage naturel
Solutions de Reinforcement Learning : Une introduction
Modèles CLIP" d'imagerie et de vidéo de pointe, grands modèles linguistiques multimodaux, et plus encore !
Un outil interactif de visualisation de données qui apporte les graphiques matplotlib dans le navigateur en utilisant D3.
Effectuer une récupération simple à partir de modèles LLM à différentes longueurs de contexte pour mesurer la précision