Jupyter Notebook Dépôts
1,614 dépôts au total
Cahiers Jupyter pour les exemples de code du livre "Deep Learning with Python"
Qwen3-VL est la série de grands modèles linguistiques multimodaux développée par l'équipe Qwen d'Alibaba Cloud.
Le dépôt fournit le code pour exécuter l'inférence avec le Meta Segment Anything Model 2 (SAM 2), des liens pour télécharger les points de contrôle du modèle entraîné et des exemples de notebooks qui montrent comment utiliser le modèle.
Matériaux pour le cours "Learn PyTorch for Deep Learning: Zero to Mastery".
Un minuscule moteur autograd à valeur scalaire et une bibliothèque de réseaux neuronaux par-dessus avec une API de type PyTorch
[🔥mise à jour ...] Robot de trading quantitatif IA automatique (déploiement entièrement local) Plateforme de recherche sur les investissements quantitatifs basée sur l'IA. 📃 documentation en ligne : https://ufund-me.github.io/Qbot ✨ :news: qbot-mini: https://github.com/Charmve/iQuant
Bienvenue dans le Cookbook Llama ! Ceci est votre guide de référence pour la création avec Llama : Démarrage avec l'inférence, le fine-tuning et le RAG. Nous vous montrons également comment résoudre des problèmes de bout en bout en utilisant la famille de modèles Llama et en les utilisant sur divers services fournisseurs.
Livre sur le filtre de Kalman utilisant Jupyter Notebook. Met l'accent sur le développement de l'intuition et de l'expérience, pas sur les preuves formelles. Inclut les filtres de Kalman, les filtres de Kalman étendus, les filtres de Kalman unscented, les filtres particulaires, et plus encore. Tous les exercices incluent des solutions.
Commencez à créer des agents Fullstack avec Gemini 2.5 et LangGraph
[WIP] Ressources pour les ingénieurs IA. Contient également du matériel de soutien pour le livre AI Engineering (Chip Huyen, 2025)
💿 Logiciel gratuit qui fonctionne super bien, et qui se trouve être du Python open-source.
Exemples de code et notebooks pour l’IA générative sur Google Cloud avec la plateforme Gemini
Ce projet couvre les points de connaissance et les implémentations de code fréquemment testés lors des entretiens en apprentissage automatique (Machine Learning), apprentissage profond (Deep Learning) et PNL, et constitue également une base de connaissances théoriques essentielle pour tout ingénieur en algorithmes.
AISystem fait principalement référence aux systèmes d'IA, y compris l'ensemble des technologies de base de la pile d'IA telles que les puces d'IA, les compilateurs d'IA, et les frameworks d'inférence et d'entraînement d'IA
Ce cursus open-source présente les bases du Model Context Protocol (MCP) à travers des exemples concrets et inter-langages en .NET, Java, TypeScript, JavaScript, Rust et Python. Conçu pour les développeurs, il se concentre sur des techniques pratiques pour construire des flux de travail IA modulaires, évolutifs et sécurisés, de la configuration de la session à l'orchestration des services.
Une collection de diverses architectures, modèles et astuces d'apprentissage profond
Grounded SAM : Marier Grounding DINO avec Segment Anything & Stable Diffusion & Recognize Anything - Détecter, segmenter et générer automatiquement tout
《Tutoriel d'apprentissage profond de Li Hongyi》(Recommandé par le professeur Li Hongyi 👍, Apple Books 🍎), Lien de téléchargement PDF : https://github.com/datawhalechina/leedl-tutorial/releases
Une introduction pratique à la technologie vidéo : image, vidéo, codec (av1, vp9, h265) et plus (encodage ffmpeg).
Cours MLOps gratuit de DataTalks.Club. Inscrivez-vous ici 👇🏼 pour être informé de la prochaine promotion
Page web d'accompagnement du livre "Mathematics For Machine Learning"
Ce dépôt contient des implémentations et du code illustratif pour accompagner les publications de DeepMind.
API de reconnaissance vocale hors ligne pour Android, iOS, Raspberry Pi et serveurs avec Python, Java, C# et Node
Le Scientifique IA : Vers la découverte scientifique ouverte entièrement automatisée 🧑🔬
Apprenez l'ingénierie ML gratuitement en 4 mois ! Inscrivez-vous ici 👇🏼
Ce dépôt contient le code source de l'article First Order Motion Model for Image Animation
Tutoriel d'apprentissage par renforcement en français (Livre champignon 🍄), adresse de lecture en ligne : https://datawhalechina.github.io/easy-rl/
Tutoriel sur le Traitement du Langage Naturel pour les Chercheurs en Apprentissage Profond
Scripts d'apprentissage profond de pointe organisés par modèles - faciles à entraîner et à déployer avec une précision et des performances reproductibles sur une infrastructure de niveau entreprise.
Une série de notebooks Jupyter qui vous guident à travers les bases de l'apprentissage automatique et de l'apprentissage profond en Python à l'aide de Scikit-Learn, Keras et TensorFlow 2.
Ce projet est un tutoriel de développement d'applications à grande échelle destiné aux développeurs débutants. Adresse de lecture en ligne : https://datawhalechina.github.io/llm-universe/
Mise en œuvre de l'article - YOLOv7 : Les ensembles de techniques d'entraînement "bag-of-freebies" établissent un nouvel état de l'art pour les détecteurs d'objets en temps réel
Synthèse d'images haute résolution avec des modèles de diffusion latente
Code et modèles PyTorch pour la méthode d'apprentissage auto-supervisé DINOv2.