Jupyter Notebook Dépôts
1,614 dépôts au total
Une bibliothèque d'ateliers rédigés par et pour les ambassadeurs étudiants de Microsoft Learn et les défenseurs du cloud, ainsi que leurs communautés locales
Implémentation officielle pour EMNLP 2024 (session principale, présentation orale) « AgentReview : explorer l’évaluation par les pairs académique avec un agent LLM ».
Flux de travail de bout en bout de Google Cloud Platform Vertex AI pour les opérations d'apprentissage automatique
Fruits-360 : Un ensemble de données d'images contenant des fruits et des légumes
:books: Résumé des contenus relatifs à l'architecture des systèmes informatiques, aux bases des systèmes embarqués et aux langages de programmation principaux
CleanDiffuser : Une bibliothèque modularisée facile à utiliser pour les modèles de diffusion dans la prise de décision
Privacy Meter : Une bibliothèque open-source pour auditer la confidentialité des données dans les algorithmes statistiques et d'apprentissage automatique.
Cahiers Jupyter pour apprendre la plateforme PyRosetta pour la prédiction et la conception de structures biomoléculaires
EfficientSAM3 compresse SAM3 en des modèles légers et compatibles avec le bord via une distillation de connaissances progressive pour une segmentation et un suivi rapides de concepts promptables.
Guide d'introduction aux systèmes de recommandation, présentant de manière exhaustive les connaissances théoriques des systèmes de recommandation industriels (Cours ouvert sur les systèmes de recommandation de Wang Shusen - Explication du système de recommandation industriel réel du scénario de Xiaohongshu), comment entraîner des modèles basés sur TensorFlow2, comment implémenter des microservices d'inférence Golang haute performance, haute concurrence et haute disponibilité. Présentation complète de la théorie des systèmes de recommandation industriels, de l'entraînement de modèles basé sur TensorFlow2 et de la mise en œuvre de services d'inférence haute performance, haute concurrence et haute disponibilité basés sur Golang.
Notes de projet + Reproduction d'articles + Compétitions algorithmiques + Pratique PyTorch + LeetCode + Pré-entraînement VLM
Code pour l'Apprentissage Non Supervisé Pratique avec Python (O'Reilly Media)
Reproduction de l'article de Yann LeCun de 1989 « Backpropagation Applied to Handwritten Zip Code Recognition », à ma connaissance la première application réelle d'un réseau neuronal entraîné par rétropropagation.
Apprenez la finance quantitative avec cette série complète de conférences. Adapté de la série de conférences Quantopian. Utilise des données d'exemple gratuites.
Une bibliothèque de bout en bout Predict-then-Optimize basée sur PyTorch pour la programmation linéaire et entière
Graph Data Science : une couche d'abstraction en Python pour la construction de graphes de connaissances, intégrée à des bibliothèques de graphes populaires – au-dessus de Pandas, NetworkX, RAPIDS, RDFlib, pySHACL, PyVis, morph-kgc, pslpython, pyarrow, etc.
[ECCV 2024] InstructIR : Restauration d'images de haute qualité suivant les instructions humaines https://huggingface.co/spaces/marcosv/InstructIR
Utiliser GPT pour organiser et accéder à l'information, et générer des questions. L'objectif à long terme est de créer un assistant de recherche semblable à un agent.
Une collection de documents de l’École d’informatique de l’Université des sciences et technologies de Huazhong
Entraîner de manière autonome des LLM d'agents de recherche sur des données personnalisées en utilisant l'apprentissage par renforcement et l'auto-vérification.
Tutoriels d'apprentissage automatique informés par la physique (Pytorch et Jax)
ML-capsule est un projet destiné aux débutants et aux passionnés de science des données expérimentés qui n'ont pas de mentor ou de conseils et qui souhaitent apprendre l'apprentissage automatique (Machine Learning). En utilisant notre dépôt, ils peuvent apprendre le ML, le DL et de nombreuses technologies connexes grâce à différents projets concrets et se préparer aux entretiens.
Scraping de données Twitter, recherche d'images basée sur l'intégration et plus encore.
Un framework léger d'apprentissage par renforcement profond pour la gestion de portefeuille. Ce projet explore la possibilité d'appliquer des algorithmes d'apprentissage par renforcement profond au trading d'actions dans un framework hautement modulaire et scalable.