Jupyter Notebook Dépôts
1,614 dépôts au total
Tutoriels LangChain et Prompt Engineering sur les grands modèles de langage (LLM) tels que ChatGPT avec des données personnalisées. Cahiers Jupyter sur le chargement et l'indexation des données, la création de modèles de invites, les agents CSV et l'utilisation de chaînes de récupération QA pour interroger les données personnalisées. Projets d'utilisation d'un LLM privé (Llama 2) pour discuter avec des fichiers PDF, analyse des sentiments des tweets.
Code d’accompagnement de la première édition (2022) de Réseaux de neurones et apprentissage profond : cas et pratique : 8 chapitres de pratique avec PaddlePaddle.
TorchXRayVision : Une bibliothèque de jeux de données et de modèles de radiographies thoraciques. Classificateurs, segmentation et auto-encodeurs.
Toutes les notes manuscrites 📝 et les fichiers de code source 🖥️ utilisés dans mes vidéos YouTube sur l'apprentissage automatique et la simulation (https://www.youtube.com/channel/UCh0P7KwJhuQ4vrzc3IRuw4Q)
Projets d'apprentissage profond d'exemple qui utilisent les fonctionnalités de wandb.
Vidéos, notes et expériences pour comprendre le deep learning
Une collection d'extraits de code de la publication Daily Dose of Data Science sur Substack : http://www.dailydoseofds.com/
Une collection de scripts et de carnets pour vous aider à démarrer rapidement.
Notes de cours, exercices de tutorat y compris les solutions ainsi que des vidéos en ligne pour le cours d'apprentissage par renforcement animé par l'Université de Paderborn
Une nouvelle base de code pour les méthodes populaires de génération de graphes de scènes (2020). La visualisation et l'extraction de graphes de scènes sur des images/ensembles de données personnalisés sont fournies. C'est aussi une implémentation PyTorch du document « Unbiased Scene Graph Generation from Biased Training CVPR 2020 »
Un extracteur de représentations d'analyse humaine prêt à l'emploi.
Une collection de notebooks/recettes présentant des cas d'utilisation de modèles open-source avec Together AI.
Un ensemble de données de dialogue chinois finement réglé manuellement et un code de réglage fin pour chatglm
Plateforme ouverte d'InternRobotics pour la construction de modèles fondamentaux de navigation généralisés.
Évaluation et reproduction de politiques de manipulation robotique du monde réel (par ex. RT-1, RT-1-X, Octo) en simulation dans des configurations courantes (par ex. Google Robot, WidowX+Bridge) (CoRL 2024)
Un cadre pour l'augmentation de données pour la classification et la segmentation d'images 2D et 3D
Matériel du Bootcamp Generator : Apprenez Chisel de la bonne manière
Modèles Fondamentaux Multimodaux de Pointe pour la Compréhension d'Images et de Vidéos
Cette série vous emmènera dans un voyage des bases du NLP et de la vision par ordinateur jusqu'à la pointe des modèles Vision-Langage.
Un cadre pour utiliser les LSTMs pour détecter les anomalies dans les données de séries temporelles multivariées. Inclut des données d'anomalies de vaisseaux spatiaux et des expériences des missions Mars Science Laboratory et SMAP.
💁 Impressionnant trésor de modèles Transformer pour le traitement du langage naturel contenant des articles, des vidéos, des blogs, des dépôts officiels ainsi que des notebooks Colab. 🛫☑️
[NeurIPS 2020] Code officiel du papier "DeepSVG: A Hierarchical Generative Network for Vector Graphics Animation". Comprend une bibliothèque PyTorch pour l'apprentissage profond avec des données SVG.
Implémentation PyTorch officielle de "EdgeSAM : distillation par boucle d'invites pour le déploiement sur appareil de SAM"
Questions d'entretien et tests écrits sur l'apprentissage automatique/apprentissage profond/Python/Langage Go (Machine learning Deep Learning Python and Golang Interview Questions)
Mémoire d'agent pour les LLM : 30 notebooks Jupyter exécutables couvrant les tampons de conversation, les magasins de vecteurs, les graphes de connaissances, la mémoire épisodique et sémantique, MemGPT, Mem0, Letta, Zep, Graphiti, les benchmarks LoCoMo et les modèles de production.
Tutoriel complet sur les algorithmes de NLP à LLM, adresse de lecture en ligne : https://datawhalechina.github.io/base-llm/
Prédiction de mutations à haute fitness basée sur des modèles de repliement inverse des protéines
Notebooks et applications d’exemple pour la recherche, l’observabilité et la sécurité avec Elasticsearch
GaussianObject: Reconstruction d'objets 3D de haute qualité à partir de quatre vues avec Gaussian Splatting (SIGGRAPH Asia 2024, TOG)
Implémentation officielle du papier "Watermark Anything with Localized Messages"
🔥 CNN pour la suppression des filigranes à l'aide de Deep Image Prior avec Pytorch 🔥.