Jupyter Notebook Dépôts
1,614 dépôts au total
Implémentation de XFeat (CVPR 2024). Avez-vous besoin d'une extraction de caractéristiques locales robuste et rapide ? Vous êtes au bon endroit !
Ce dépôt fournit une solution avancée de génération augmentée par récupération (RAG) pour la réponse à des questions complexes. Il utilise un algorithme sophistiqué basé sur des graphes pour gérer les tâches.
Parallel WaveGAN Non Officiel (+ MelGAN & Multi-band MelGAN & HiFi-GAN & StyleMelGAN) avec PyTorch
Entraînement unifié de transformeurs universels pour la prévision de séries temporelles
Paquet ML interprétable 🔍 pour une modélisation prédictive concise, transparente et précise (compatible avec sklearn).
[ICLR'24] Implémentation officielle PyTorch de Magic123 : Génération d'objets 3D de haute qualité à partir d'une seule image en utilisant des priors de diffusion 2D et 3D
Code officiel pour "FeatUp : Un cadre agnostique au modèle pour les caractéristiques à n'importe quelle résolution" ICLR 2024
Une bibliothèque de notebooks Jupyter et de conférences YouTube correspondantes par Roman Paolucci
Un outil puissant pour le fuzzing automatisé des LLM. Il est conçu pour aider les développeurs et les chercheurs en sécurité à identifier et à atténuer les jailbreaks potentiels dans leurs API LLM.
Machine Learning University : Cours accéléré de vision par ordinateur
[ACM MM 2024] Ceci est le code officiel pour « AniTalker : Animer des visages parlants vifs et diversifiés grâce à un codage de mouvement facial découplé de l'identité »
Un tutoriel montrant comment entraîner, convertir et exécuter des modèles de détection d'objets TensorFlow Lite sur des appareils Android, Raspberry Pi, et plus encore !
Kernl vous permet d'exécuter des modèles transformer PyTorch plusieurs fois plus rapidement sur GPU avec une seule ligne de code, et est conçu pour être facilement personnalisable.
KoAlpaca : un modèle linguistique open-source pour comprendre les instructions coréennes
Seed1.5-VL, un modèle de fondation vision-langage conçu pour faire progresser la compréhension et le raisonnement multimodaux à usage général, atteignant des performances de pointe sur 38 des 60 points de référence publics.
Dérivation mathématique et implémentation en code Python pur des algorithmes d'apprentissage automatique.
Une bibliothèque PyTorch entièrement dédiée aux équations différentielles neuronales, aux modèles implicites et aux méthodes numériques associées
Une liste sélectionnée des meilleures ressources en Intelligence Artificielle
Robyn est un package expérimental de modélisation du mix marketing (MMM) open source basé sur l'IA/ML de Meta Marketing Science. Notre mission est de démocratiser les connaissances en modélisation, d'inspirer l'industrie par l'innovation, de réduire les biais humains dans le processus de modélisation et de construire une communauté solide de science du marketing open source.
Ce dépôt contient des exemples destinés aux clients pour commencer à utiliser le service Amazon Bedrock. Il contient des exemples pour tous les modèles fondamentaux disponibles.
Ce dépôt a été créé pour servir à la simulation et à l'analyse des données collectées dans la recherche de dissertation de Jiuyang Bai.
Ce projet a conçu et mis en œuvre un système de questions-réponses médicales intelligent basé sur le RAG (Retrieval-Augmented Generation) par graphe de connaissances et les grands modèles de langage. En utilisant le jeu de données médical DiseaseKG et Neo4j, le système construit un graphe de connaissances spécialisé comprenant 44 000 entités et 310 000 relations. En combinant la reconnaissance d'entités nommées BERT et la reconnaissance d'intention par un modèle 32B, le système atténue efficacement les hallucinations des grands modèles dans les scénarios médicaux grâce à une recherche précise dans le graphe et une génération de réponses contrôlée, améliorant ainsi considérablement la précision et la fiabilité des réponses.
Dépôt officiel de mon livre : « Deep Learning avec PyTorch étape par étape : un guide pour débutants »
Tutoriels et matériel de formation pour la plateforme d'apprentissage automatique H2O
Collection de playbooks étape par étape pour configurer des charges de travail AI/ML sur des appareils NVIDIA DGX Spark avec architecture Blackwell.
Portfolio de projets de science des données réalisés par moi à des fins académiques, d'auto-apprentissage et de loisirs.
Astuces et Outils Python Efficaces pour les Scientifiques des Données
Benchmarkez les LLM en combattant dans Street Fighter 3 ! La nouvelle façon d'évaluer la qualité d'un LLM
Démonstrations Python bien documentées pour l'analyse de données spatiales, la géostatistique et l'apprentissage automatique afin de soutenir mes cours.
Un ensemble de notebooks et d'autres fichiers qui peuvent vous aider à apprendre l'IA en partant de zéro.
fire-smoke-detect-yolov4-yolov5 et fire-smoke-detection-dataset détection d'incendie, détection de fumée
TextWorld est un environnement d'apprentissage sandbox pour l'entraînement et l'évaluation d'agents d'apprentissage par renforcement (RL) sur des jeux basés sur du texte.
Paquet Python open source pour l'extraction de caractéristiques Radiomics à partir d'images 2D et 3D et de masques binaires. Support : https://discourse.slicer.org/c/community/radiomics