#bayesian-inference Dépôts
Découvrez 34 dépôts GitHub open source actifs associés à #bayesian-inference, cumulant 72,145 étoiles au total (soit une moyenne de 2,121 étoiles par projet). Le projet en tête de ce thème est roboticcam/machine-learning-notes, avec 10,394 étoiles.
34 dépôts au total
Mes notes et démos continuellement mises à jour sur Machine Learning, Modèles Probabilistes et Deep Learning (2000+ diapositives) Mes supports de cours mis à jour sans interruption sur l'apprentissage automatique, les modèles probabilistes et l'apprentissage profond (2000+ pages) et liens vidéo
Bibliothèque Python de filtrage de Kalman et d'estimation optimale. Implémente le filtre de Kalman, le filtre particulaire, le filtre de Kalman étendu, le filtre de Kalman unscented, g-h (alpha-beta), les moindres carrés, H infini, les lisseurs, et plus encore. Possède un livre d'accompagnement 'Kalman and Bayesian Filters in Python'.
Répertoire de développement Stan. La branche master contient la version actuelle. La branche develop contient le dernier développement stable. Consultez le Wiki du Processus de Développement pour plus de détails.
Programmation probabiliste avec NumPy alimentée par JAX pour autograd et compilation JIT vers GPU/TPU/CPU.
Une bibliothèque Python qui aide les data scientists à inférer la causalité plutôt que d'observer la corrélation.
Infer.NET est un framework pour exécuter l'inférence bayésienne dans des modèles graphiques.
Réseau de Neurones Convolutifs Bayésien avec Inférence Variationnelle basée sur Bayes by Backprop en PyTorch.
Paquet R brms pour modèles bayésiens généralisés multivariés non linéaires multiniveaux utilisant Stan
Bienvenue dans le livre d'apprentissage profond basé sur la physique v0.3 – l'édition GenAI
BlackJAX est une bibliothèque d'inférence bayésienne conçue pour la facilité d'utilisation, la vitesse et la modularité.
Résoudre et estimer des modèles d'équilibre général dynamique stochastique (y compris le DSGE de la Fed de New York)
sbi est un package Python pour l'inférence basée sur la simulation, conçu pour répondre aux besoins des chercheurs et des praticiens. Que vous ayez besoin d'un contrôle granulaire ou d'une interface facile à utiliser, sbi répond à vos attentes.
Une implémentation Python de l'inférence active pour les processus de décision markoviens
Un tutoriel intuitif sur la régression par processus gaussien
PyTensor vous permet de définir, d'optimiser et d'évaluer efficacement des expressions mathématiques impliquant des tableaux multidimensionnels.
Paquet Python pour la Découverte Causale en apprenant la structure graphique des réseaux bayésiens. Structure Learning, Parameter Learning, Inférences, Méthodes d'échantillonnage.
Une bibliothèque pour les couches de réseaux neuronaux bayésiens et l'estimation de l'incertitude en Deep Learning, étendant le cœur de PyTorch
Une collection de recettes d'analyse de données bayésiennes utilisant PyMC3
Foire aux questions
Quel est le dépôt #bayesian-inference le plus populaire sur GitHub ?
Le projet #bayesian-inference open source le mieux classé sur GitHub est roboticcam/machine-learning-notes, avec 10,394 étoiles. Mes notes et démos continuellement mises à jour sur Machine Learning, Modèles Probabilistes et Deep Learning (2000+ diapositives) Mes supports de cours mis à jour sans interruption sur l'apprentissage automatique, les modèles probabilistes et l'apprentissage profond (2000+ pages) et liens vidéo
Quels langages de programmation sont les plus utilisés dans les dépôts #bayesian-inference ?
Parmi les projets #bayesian-inference les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, R, Julia.
Comment le classement des dépôts #bayesian-inference est-il calculé ?
Nous suivons 34 dépôts open source actifs associés à #bayesian-inference (500+ étoiles), totalisant 72,145 étoiles, avec une moyenne de 2,121 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.