#jupyter-notebooks Dépôts
Découvrez 143 dépôts GitHub open source actifs associés à #jupyter-notebooks, cumulant 433,134 étoiles au total (soit une moyenne de 3,028 étoiles par projet). Le projet en tête de ce thème est Lordog/dive-into-llms, avec 55,949 étoiles.
143 dépôts au total
Tutoriel de programmation de la série "Plongez dans les LLM : Apprenez les grands modèles linguistiques"
⛔️ OBSOLÈTE – Voir https://github.com/ageron/handson-ml3 ou handson-mlp à la place.
Une collection de diverses architectures, modèles et astuces d'apprentissage profond
Une série de notebooks Jupyter qui vous guident à travers les bases de l'apprentissage automatique et de l'apprentissage profond en Python à l'aide de Scikit-Learn, Keras et TensorFlow 2.
Tutoriels, devoirs et compétitions pour les cours liés à MIT Deep Learning.
Matériel de laboratoire pour MIT 6.S191 : Introduction au Deep Learning
Implémentation en Python des algorithmes de Russell et Norvig dans "Artificial Intelligence - A Modern Approach"
Collection de carnets sur la finance quantitative, avec du code Python interactif.
pipreqs - Génère un fichier pip requirements.txt basé sur les imports de n'importe quel projet. Recherche de mainteneurs pour faire avancer ce projet.
Ceci est un guide étape par étape pour débuter avec les grands modèles d'IA/LLM, comprenant des tutoriels et du code de démonstration. Il vous emmène des API au déploiement et au réglage fin des grands modèles locaux. Les fichiers de code seront fournis en versions en ligne pour Kaggle ou Colab, vous permettant d'apprendre même sans carte graphique. Le projet comprend également un petit "terrain de jeu" de code 🎡, où vous pouvez expérimenter des scripts d'IA intéressants. Parallèlement, il inclut une version chinoise miroir complète des devoirs du cours "Introduction à l'IA générative 2024" de Hung-Yi Lee.
Exemples de code du livre Web Scraping with Python http://shop.oreilly.com/product/0636920034391.do
https://www.youtube.com/channel/UC34rW-HtPJulxr5wp2Xa04w?sub_confirmation=1
Matériaux pour le cours sur les modèles de diffusion de Hugging Face
Les notebooks Jupyter derrière mon rapport O'Reilly, "A Whirlwind Tour of Python"
Téléchargez et analysez les données de Garmin Connect ou d'une montre Garmin, fichiers CSV FitBit et MS Health dans des bases de données Sqlite sans serveur avec des carnets Jupyter.
Tableaux de bord interactifs Python pour l'apprentissage de la science des données
Un outil interactif de visualisation de données qui apporte les graphiques matplotlib dans le navigateur en utilisant D3.
Une série de notebooks Jupyter qui vous guident à travers les bases de l'apprentissage automatique et de l'apprentissage profond en Python en utilisant les bibliothèques Scikit-Learn, PyTorch et Hugging Face.
Un site Web affichant des centaines de graphiques créés avec Python
Jupyter Notebooks et code pour Python for Finance (2e éd., O'Reilly) par Yves Hilpisch.
Matériel de cours d'apprentissage automatique (code, présentations, etc.) de l'Université de Wenzhou
Bibliothèque Python pour la visualisation interactive de modèles de sujets. Portage du package R LDAvis.
Ce dépôt contient toutes les ressources relatives à la série d'apprentissage automatique des codeurs massifs.
🤖 Expériences interactives en Machine Learning : 🏋️entraînement des modèles + 🎨démonstration des modèles
Foire aux questions
Quel est le dépôt #jupyter-notebooks le plus populaire sur GitHub ?
Le projet #jupyter-notebooks open source le mieux classé sur GitHub est Lordog/dive-into-llms, avec 55,949 étoiles. Tutoriel de programmation de la série "Plongez dans les LLM : Apprenez les grands modèles linguistiques"
Quels langages de programmation sont les plus utilisés dans les dépôts #jupyter-notebooks ?
Parmi les projets #jupyter-notebooks les mieux classés sur GitHub, les langages de programmation les plus courants sont Jupyter Notebook, Python, TypeScript, HTML.
Comment le classement des dépôts #jupyter-notebooks est-il calculé ?
Nous suivons 143 dépôts open source actifs associés à #jupyter-notebooks (500+ étoiles), totalisant 433,134 étoiles, avec une moyenne de 3,028 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.