#deep-learning Dépôts
2,273 dépôts au total
Une liste organisée de ressources sur l'apprentissage par renforcement avec feedback humain (mise à jour en continu)
Notes, devoirs de programmation et quiz de tous les cours de la spécialisation Deep Learning de Coursera proposés par deeplearning.ai : (i) Réseaux neuronaux et Deep Learning ; (ii) Amélioration des réseaux neuronaux profonds : réglage des hyperparamètres, régularisation et optimisation ; (iii) Structuration des projets d'apprentissage automatique ; (iv) Réseaux neuronaux convolutifs ; (v) Modèles de séquence
https://www.youtube.com/channel/UC34rW-HtPJulxr5wp2Xa04w?sub_confirmation=1
Une bibliothèque rapide pour AutoML et le réglage. Rejoignez notre Discord : https://discord.gg/Cppx2vSPVP.
Tutoriels et ressources sélectionnés pour les grands modèles linguistiques, la peinture IA et plus encore.
Une boîte à outils de traitement de la parole alimentée par l'IA et des modèles pré-entraînés SOTA open source, prenant en charge l'amélioration de la parole, la séparation, l'extraction du locuteur cible, etc.
Notebooks Python avec exemples de ML et d'apprentissage profond avec Azure Machine Learning Python SDK | Microsoft
⚡️SwanLab - un outil open-source de suivi et de visualisation de l'entraînement IA au design moderne. Prend en charge l'utilisation en Cloud / auto-hébergé. Intégré avec PyTorch / Transformers / verl / LLaMA Factory / ms-swift / Ultralytics / MMEngine / Keras, etc.
InstantMesh : Génération efficace de maillages 3D à partir d'une seule image avec des modèles de reconstruction à grande échelle à vues éparses
Dans ce dépôt, je partagerai des notes et références utiles sur le déploiement de modèles basés sur l'apprentissage profond en production.
LightLLM est un framework basé sur Python pour l'inférence et le service des LLM (grands modèles linguistiques), remarquable pour sa conception légère, sa facilité de mise à l'échelle et ses performances à haute vitesse.
Une Collection de Cheatsheets, Livres, Questions et Portfolio Pour la Préparation d'Entretien DS/ML
Une implémentation propre basée sur AlphaZero pour n'importe quel jeu dans n'importe quel framework + tutoriel + Othello/Gobang/TicTacToe/Connect4 et plus
Ce projet reproduit le livre Dive Into Deep Learning (https://d2l.ai/), en adaptant le code de MXNet vers PyTorch.
Framework RAG (Retrieval Augmented Generation) pour la construction d'applications open source modulaires pour la production par TrueFoundry
Devenez compétent en Intelligence Artificielle, Machine Learning, IA Générative, Deep Learning, Science des Données, Traitement du Langage Naturel, Apprentissage par Renforcement et plus encore avec ce dépôt complet de 0 à 100.
Un framework d'apprentissage profond industriel pour données creuses de haute dimension
TorchGeo : jeux de données, échantillonneurs, transformations et modèles pré-entraînés pour les données géospatiales
Une liste sélectionnée d'outils formidables pour l'étiquetage de données
[ECCV 2022] Ceci est l'implémentation officielle de BEVFormer, un framework basé uniquement sur les caméras pour la perception de la conduite autonome, par exemple la détection d'objets 3D et la segmentation de cartes sémantiques.
Un package Python pour la segmentation de données géospatiales avec le Segment Anything Model (SAM)
"Build a Large Language Model (From Scratch)" est un livre électronique qui explore en profondeur les principes et la mise en œuvre des grands modèles linguistiques, s'adressant aux apprenants qui souhaitent comprendre en détail l'architecture, le processus d'entraînement et le développement d'applications de grands modèles tels que GPT. Afin de permettre à davantage de lecteurs chinois d'accéder à ce manuel d'une valeur exceptionnelle, j'ai décidé de le traduire en chinois et de le partager en open source via GitHub.
Construisez un LLM moderne de zéro. Chaque ligne commentée. Expliqué comme à des enfants de cinq ans.
Une planification personnalisée Anki moderne basée sur l'algorithme Free Spaced Repetition Scheduler
Bibliothèque open source d’opérations optimisées d’apprentissage profond (multiplication de matrices, convolution et attention) pour les processeurs (x64, AArch64, RISC-V) et les GPU Intel. Utilisée par PyTorch, TensorFlow, OpenVINO et ONNX Runtime.
FEDML – La bibliothèque ML unifiée et évolutive pour l'entraînement distribué à grande échelle, la mise à disposition de modèles et l'apprentissage fédéré. FEDML Launch, un planificateur inter-cloud, permet en outre d'exécuter n'importe quel travail d'IA sur n'importe quel cloud GPU ou cluster sur site. Basée sur cette bibliothèque, TensorOpera AI (https://TensorOpera.ai) est votre plateforme d'IA générative à grande échelle.
Deepchecks : Tests pour la validation continue des modèles et données ML. Deepchecks est une solution open-source holistique pour tous vos besoins de validation IA et ML, vous permettant de tester minutieusement vos données et modèles, de la recherche à la production.
Un framework open-source pour l'entraînement de grands modèles multimodaux.
TimeGPT-2.1 : modèle fondamental préentraîné de séries temporelles, prêt pour la production, destiné aux prévisions et à la détection d’anomalies. Un transformeur génératif préentraîné pour les séries temporelles, entraîné sur plus de 100 milliards de points de données. Il est capable d’effectuer des prévisions précises dans divers domaines, tels que le commerce de détail, l’électricité, la finance et l’IoT, en seulement quelques lignes de code 🚀.
Synapsa Commons : des cours d’IA gratuits et pratiques, exécutables partout (Colab, Kaggle, Binder, Codespaces, Jupyter). Éléments probants de conformité à la législation européenne sur l’IA, validation des modèles, maintenance prédictive, extraction de documents, recherche et RAG, agents d’IA et MCP, ainsi qu’un humanoïde simulé. Chaque leçon est évaluée automatiquement. Par l’équipe qui développe Synapsa.