#lstm Dépôts
Découvrez 36 dépôts GitHub open source actifs associés à #lstm, cumulant 246,923 étoiles au total (soit une moyenne de 6,858 étoiles par projet). Le projet en tête de ce thème est tesseract-ocr/tesseract, avec 77,607 étoiles.
36 dépôts au total
AiLearning : Analyse de données + Machine Learning pratique + Algèbre linéaire + PyTorch + NLTK + TF2
OCR prêt à l'emploi avec plus de 80 langues prises en charge et tous les scripts d'écriture populaires, y compris le latin, le chinois, l'arabe, le devanagari, le cyrillique, etc.
Un réseau de neurones qui transforme un mock-up de design en un site web statique.
RWKV (prononcé RwaKuv) est un RNN avec d'excellentes performances LLM, qui peut également être entraîné directement comme un transformer GPT (parallélisable). Nous en sommes à RWKV-7 "Goose". Il combine donc le meilleur des RNN et des transformers - d'excellentes performances, un temps linéaire, un espace constant (pas de cache kv), un entraînement rapide, une ctx_len infinie et une intégration de phrases gratuite.
Tutoriels sur l'implémentation de quelques modèles sequence-to-sequence (seq2seq) avec PyTorch et TorchText.
Dans ce notebook, je vais créer un processus complet pour prédire les mouvements des prix des actions. Suivez-moi et nous obtiendrons de bons résultats. Pour cela, nous utiliserons un Réseau Antagoniste Génératif (GAN) avec LSTM, un type de Réseau de Neurones Récurrents, comme générateur, et un Réseau de Neurones Convolutifs, CNN, comme discriminateur. Nous utilisons LSTM pour la raison évidente que nous essayons de prédire des données de séries temporelles. Pourquoi utilisons-nous GAN et plus précisément CNN comme discriminateur ? C'est une bonne q
Tutoriels pour débuter avec PyTorch et TorchText pour l'analyse de sentiments.
Robot automatique de poésie classique chinoise, x fois explosif, basé sur l'API TensorFlow 1.10, en cours de maintenance et de mise à niveau actives, étoile rapidement, restez à jour !
Génération de jazz pilotée par l'apprentissage profond en utilisant Keras & Theano !
Liste de papiers, code et expériences utilisant l'apprentissage profond pour la prévision de séries temporelles
Tutoriels Jupyter Notebook pour résoudre des problèmes du monde réel avec Machine Learning & Deep Learning en utilisant PyTorch. Sujets : Détection de visages avec Detectron 2, Détection d'anomalies dans les séries temporelles avec LSTM Autoencoders, Détection d'objets avec YOLO v5, Construisez votre premier Neural Network, Prévision de séries temporelles pour les cas quotidiens de Coronavirus, Analyse de sentiments avec BER
Bibliothèque PyTorch d'apprentissage profond pour la prévision de séries temporelles, la classification et la détection d'anomalies (initialement pour la prévision des inondations).
Bibliothèque autonome d'apprentissage automatique et de traitement du langage naturel en Go
Liste approximative de mes ressources préférées en deep learning, utile pour revoir des sujets ou pour référence. J'ai parcouru tout le contenu listé là, avec soin. - Guillaume Chevalier
Ce repo contient des implémentations de différentes architectures pour la reconnaissance d'émotions dans les conversations.
:art: Version améliorée de la reconnaissance de formules mathématiques : Formules manuscrites et imprimées en chinois et anglais, prend en charge le raisonnement de base sur les symboles (structure de données basée sur l'arbre de syntaxe abstraite LaTeX) Math Formula OCR Pro, prend en charge l'écriture manuscrite, les formules mixtes chinois-anglais et le raisonnement simple sur les symboles (basé sur LaTeX AST).
Un cadre pour utiliser les LSTMs pour détecter les anomalies dans les données de séries temporelles multivariées. Inclut des données d'anomalies de vaisseaux spatiaux et des expériences des missions Mars Science Laboratory et SMAP.
Une bibliothèque d'apprentissage profond pour la classification des tâches (signaux) EEG, basée sur TensorFlow.
Référentiel de code pour Deep Learning avec Keras publié par Packt
Un outil pour convertir les fichiers ONNX en LiteRT/TFLite/TensorFlow, code natif PyTorch (nn.Module), TorchScript (.pt), state_dict (.pt), Exported Program (.pt2) et Dynamo ONNX. Il prend également en charge la conversion directe de LiteRT vers PyTorch.
Liste de conception moléculaire et matérielle utilisant l'IA générative et l'apprentissage profond
Une collection de méthodes de détection d'anomalies (iid/basées sur des points, graphe et séries temporelles) incluant l'apprentissage actif pour la détection/découverte d'anomalies, l'extraction de règles bayésiennes, description pour la diversité/explication/interprétabilité. Analyse de l'incorporation de retours d'étiquettes avec des détecteurs basés sur ensemble et arbre. Inclut des attaques adverses avec Graph Convolutional Network.
Application Web de prédiction de la bourse basée sur l'apprentissage automatique et l'analyse des sentiments des tweets (clés API incluses dans le code). Le frontend de l'application Web est basé sur Flask et Wordpress. L'application prévoit les cours boursiers des sept prochains jours pour toute action donnée sous NASDAQ ou NSE entrée par l'utilisateur. Les prédictions sont faites à l'aide de trois algorithmes : ARIMA, LSTM, Régression Linéaire. L'application Web combine les prix prédits des sept prochains jours avec l'analyse des sentiments des tweets pour donner une recommandation.
Détection d'Activités Localisées Spatio-Temporellement en Temps Réel par Suivi des Points Clés du Corps
Exemple de prédiction de plusieurs séries temporelles multivariées avec des réseaux de neurones récurrents LSTM en Python avec Keras.
Prédiction des cours des actions à l'aide d'un réseau neuronal LSTM (longue mémoire à court terme) TensorFlow pour la prévision de séries temporelles
Prévision de la charge électrique de Delhi en utilisant les modèles ARIMA, RNN, LSTM et GRU
Un Benchmark de Classification de Texte en PyTorch
Classer la description des crimes de Kaggle San Francisco en 39 classes. Construire le modèle avec CNN, RNN (GRU et LSTM) et Word Embeddings sur Tensorflow.
Foire aux questions
Quel est le dépôt #lstm le plus populaire sur GitHub ?
Le projet #lstm open source le mieux classé sur GitHub est tesseract-ocr/tesseract, avec 77,607 étoiles. Moteur OCR Tesseract Open Source (dépôt principal)
Quels langages de programmation sont les plus utilisés dans les dépôts #lstm ?
Parmi les projets #lstm les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, JavaScript, C++.
Comment le classement des dépôts #lstm est-il calculé ?
Nous suivons 36 dépôts open source actifs associés à #lstm (500+ étoiles), totalisant 246,923 étoiles, avec une moyenne de 6,858 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.