Jupyter Notebook Dépôts
1,614 dépôts au total
Apprivoiser les transformeurs pour la synthèse d'images haute résolution
L'adaptateur d'invite d'image est conçu pour permettre à un modèle de diffusion pré-entraîné de texte à image de générer des images avec une invite d'image.
Modèles Silero : des modèles de synthèse vocale pré-entraînés rendus incroyablement simples
Orchestration GPU tolérante aux pannes, hautement scalable, et un framework d'apprentissage automatique conçu pour entraîner des modèles avec des milliards à des trillions de paramètres
Une bibliothèque de réseaux de neurones compatible avec scikit-learn qui encapsule PyTorch
Optimisation de portefeuille financier en Python, incluant la frontière efficiente classique, Black-Litterman et la parité de risque hiérarchique
Série temporelle Timeseries Deep Learning Machine Learning Python Pytorch fastai | Bibliothèque Deep Learning de pointe pour les séries temporelles et les séquences en Pytorch / fastai
Version chinoise de CLIP qui permet la récupération intermodale et la génération de représentations en chinois.
Ceci est le code officiel du projet MobileSAM qui rend SAM léger pour les applications mobiles et au-delà !
Implémentez un LLM de raisonnement dans PyTorch à partir de zéro, étape par étape
Une collection d'exemples montrant comment utiliser le framework CrewAI pour automatiser les flux de travail.
YOLOv6 : un framework de détection d'objets à un étage dédié aux applications industrielles.
250+ Notebooks de Fine-tuning & RL pour modèles de texte, vision, audio, embedding, TTS.
Tout le matériel de cours pour le cours Zero to Mastery Deep Learning with TensorFlow.
T81-558: Keras - Applications de Réseaux de Neurones Profonds @Washington University in St. Louis
Reconnaissance vocale automatique avec diarisation du locuteur basée sur OpenAI Whisper
Tutoriels sur l'implémentation de quelques modèles sequence-to-sequence (seq2seq) avec PyTorch et TorchText.
Code PyTorch pour BLIP : Bootstrapping Language-Image Pre-training pour une compréhension et génération unifiée vision-langage
Projets et exercices du dernier programme Nanodegree en apprentissage profond https://www.udacity.com/course/deep-learning-nanodegree--nd101
Dépôt de code pour l'apprentissage automatique avec PyTorch et Scikit-Learn
Construction de graphes Neo4j à partir de données non structurées à l'aide de LLM
Tacotron 2 - Implémentation PyTorch avec inférence plus rapide que le temps réel
Sutskever 30 implémentations inspirées par https://papercode.vercel.app/ | Pour les Agents, utilisez https://github.com/pageman/Sutskever-Agent | Version polyglotte / Multi-Backend sur https://github.com/pageman/sutskever-30-beyond-numpy
CoTracker est un modèle pour suivre n'importe quel point (pixel) sur une vidéo.
Dépôt pour le programme Nanodegree en apprentissage par renforcement profond
"Guide de construction d'une boîte blanche pour grands modèles" : Un Tiny-Universe entièrement assemblé à la main
Code pour le livre Deep Learning with PyTorch de Eli Stevens, Luca Antiga et Thomas Viehmann.
Liens vers les publications de conférences en apprentissage profond basé sur les graphes
🎓 Portfolio académique qui booste les citations. L'IA génère des pages, vous les possédez en Markdown. Import BibTeX automatique, Jupyter, LaTeX, diapositives, éditeur de blocs visuel — hébergement gratuit à vie. Page académique, générée par IA, possédez en Markdown 👇
Entraînez ou affinez facilement les modèles SOTA de vision par ordinateur avec une seule bibliothèque d'entraînement open source. La maison de Yolo-NAS.
🚀 Un curriculum open-source et pratique comblant l'écart des concepts RL de base à l'alignement LLM, RLVR et systèmes Agentic avancés.
Conteneurs d'apprentissage automatique pour NVIDIA Jetson et JetPack-L4T
Une méthode à l'épreuve des balles pour générer du JSON structuré à partir de modèles linguistiques
ALICE (Automated Learning and Intelligence for Causation and Economics) est un projet de Microsoft Research visant à appliquer des concepts d'Intelligence Artificielle à la prise de décision économique. L'un de ses objectifs est de construire un kit d'outils qui combine des techniques d'apprentissage automatique de pointe avec l'économétrie afin d'apporter l'automatisation à des problèmes complexes d'inférence causale. À ce jour, le SDK Python ALICE (econml) implémente des algorithmes d'apprentissage automatique orthogonaux tels que le travail sur l'apprentissage automatique double de
Un langage de programmation probabiliste dans TensorFlow. Modèles génératifs profonds, inférence variationnelle.