Jupyter Notebook Dépôts
1,614 dépôts au total
Le dépôt open source pour l'atelier de modélisation causale en apprentissage automatique (Causal Modeling in Machine Learning Workshop) chez Altdeep.ai @ www.altdeep.ai/courses/causalAI
Le référentiel sert de base pour un apprentissage par renforcement sûr.
Code de tutoriel simple mais utile pour le web scraping en Python.
Algorithmes et systèmes de LLM en pratique avec PyTorch, Triton et CUDA. « Tutoriel sur les algorithmes et systèmes de LLM » : architectures et entraînement des modèles, post-entraînement, accélération de l’inférence, optimisation des performances et des opérateurs, avec des exercices Notebook, des explications des réponses, des tests et des expériences.
Ce projet vise la détection de deepfakes vidéo en utilisant des techniques d'apprentissage profond telles que RestNext et LSTM. Nous avons réalisé la détection de deepfakes en utilisant l'apprentissage par transfert où le CNN RestNext pré-entraîné est utilisé pour obtenir un vecteur de caractéristiques, ensuite la couche LSTM est entraînée à l'aide des caractéristiques. Pour plus de détails, suivez la documentation.
Une liste curated d'applications pratiques d'apprentissage automatique en entreprise (BML) et de science des données en entreprise (BDS) pour la comptabilité, les clients, les employés, le juridique, la gestion et les opérations (par @firmai)
Entraîner un LLM de 1B avec 1T token à partir de zéro par des particuliers
Carnets d'adresses, exemples de code, applications d'exemple et autres ressources qui montrent comment utiliser, développer et gérer des flux de travail d'apprentissage automatique et d'IA générative à l'aide de Vertex AI de Google Cloud.
[Prix du jeune scientifique de MICCAI 2019] [Prix du meilleur article de MedIA] Models Genesis : pré-entraînement auto-supervisé pour les images médicales 3D. Apprend des représentations transférables à partir de volumes de TDM et d’IRM non annotés, puis effectue un affinage pour les tâches en aval de segmentation et de classification. Poids Keras et PyTorch inclus.
Un ensemble de données d'ensembles de données pour apprendre à apprendre à partir de peu d'exemples
Appliquez des modèles de diffusion à l'aide du nouveau package diffusers de Hugging Face pour synthétiser de la musique au lieu d'images.
L'ingénierie des caractéristiques est le processus d'utilisation des connaissances du domaine pour extraire des caractéristiques des données brutes via des techniques de fouille de données. Ces caractéristiques peuvent être utilisées pour améliorer les performances des algorithmes d'apprentissage automatique. L'ingénierie des caractéristiques peut être considérée comme l'apprentissage automatique appliqué lui-même.
Exemples de code pour Robotique, Vision et Contrôle 3e édition en Python
Cette collection de notebooks Jupyter est conçue pour vous fournir un guide complet sur les divers outils et technologies d'IA
Chemin vers une éducation autodidacte en Science des Données !
« EasyOffer » ( <Recueil d'expériences d'entretiens avec les grands modèles> ) est un guide d'offres de stage d'été pour les grands modèles, spécialement conçu pour les bébés LLM, enregistrant principalement un peu de code courant à déchirer à la main des grandes usines, des expériences d'entretien avec les grandes usines, et des questions de réflexion courantes dans les grandes usines pour la préparation des stages d'été et du recrutement d'automne des grands modèles ; un novice, en apprentissage...... N'hésitez pas à me corriger si vous avez des questions, chers grands maîtres, j'espère que tout le monde pourra obtenir l'offre qu'il désire !
PyHessian est une bibliothèque Pytorch pour l'analyse et l'entraînement basés sur le second ordre des réseaux de neurones
Notebook Jupyter avec implémentation PyTorch des Équations Différentielles Ordinaires Neuronales
Analyse des stratégies de trading systématiques (par exemple, suivi de tendance, carry et retour à la moyenne). Le résultat est régulièrement mis à jour.
:books: [.md & .ipynb] Série sur l'Intelligence Artificielle & l'Apprentissage Profond, incluant les Fondamentaux Mathématiques, Pratiques Python, Applications NLP, etc. 💫 Pratique de l'Intelligence Artificielle et de l'Apprentissage Profond : Édition Statistiques Mathématiques | Édition Apprentissage Automatique | Édition Apprentissage Profond | Édition Traitement du Langage Naturel | Édition Pratique des Outils Scikit & TensorFlow & PyTorch | Applications Industrielles & Notes de Cours
Cartes d'attribution de diffusion attentive pour l'interprétation de Stable Diffusion.
Toutes les réponses aux exercices de Advances in Financial Machine Learning par Dr Marco Lopez de Parodo.
Ceci est un tutoriel multi-agents basé sur le framework CAMEL, visant à comprendre comment construire une société d'agents à partir de zéro !
[CVPR 2024] FRESCO : Correspondance Spatio-Temporelle pour la Traduction Vidéo Zero-Shot
Implémentation à partir de zéro d'un modèle linguistique sparse mixture of experts inspiré de makemore d'Andrej Karpathy :)
Livre basé sur un notebook "Introduction à la robotique et à la perception" par Frank Dellaert et Seth Hutchinson
La bibliothèque Python pour créer des graphiques d3 autonomes et interactifs.
Une bibliothèque open source pour interagir avec et traiter les données radar, spécialisée pour les radars MIMO mmWave
Exportez les playlists Spotify à l'aide de l'API Web. Analysez-les dans le carnet Jupyter.