#machine-learning Dépôts
2,070 dépôts au total
🪄 Transforme votre code d'apprentissage automatique en microservices avec API web, interface graphique interactive, et plus encore.
Visualisez et comparez des ensembles de données, des valeurs cibles et des associations, en une seule ligne de code.
Ajoutez un nœud d'analyse en temps réel à votre base de données opérationnelle. Spice est un moteur portable et accéléré de requêtes SQL, de recherche et d'inférence LLM écrit en Rust pour les applications et agents d'IA basés sur des données.
:sunglasses: Une liste organisée de bibliothèques et de logiciels de robotique
Pipelines NLP natifs Rust prêts à l'emploi et modèles basés sur des transformers (BERT, DistilBERT, GPT2, ...)
Outils open-source pour les tests et l'expérimentation de prompts, avec prise en charge des LLM (par ex. OpenAI, LLaMA) et des bases de données vectorielles (par ex. Chroma, Weaviate, LanceDB).
Cours gratuits exceptionnels d'apprentissage automatique et d'IA avec des conférences vidéo.
Un outil simple pour mettre à jour les entrées bibliographiques avec leurs informations officielles (par exemple, DBLP ou l'anthologie ACL).
Tutoriel pratique Python avec plus de 50 applications Python (10 lignes de code) par @xiaowuc2
Deepnote est un remplacement direct pour Jupyter avec une conception axée sur l'IA, une interface utilisateur élégante, de nouveaux blocs et des intégrations de données natives. Utilisez Python, R et SQL localement dans votre IDE préféré, puis passez à Deepnote cloud pour la collaboration en temps réel, l'agent Deepnote et les applications de données déployables. https://deepnote.com/
Un package de bibliothèque de statistiques Golang bien testé et complet sans dépendances.
Feuille de route IA : Apprentissage automatique (Machine Learning), Apprentissage profond (Deep Learning), Réseaux antagonistes (GAN), Réseaux de neurones graphiques (GNN), NLP, feuille de route de développement liée aux big data (roadmap), avec une quantité massive de code source (python, pytorch) pour aider à digérer les points de connaissance de base, surmonter les entretiens et accomplir le saut du débutant à l'ingénieur qualifié. Parmi eux, les articles sur l'apprentissage profond sont accompagnés du code source officiel de tensorflow et caffe, et la partie applications inclut des algorithmes de recommandation et des graphes de connaissances.
DataFrame C++ pour l'analyse statistique, financière et ML en C++ moderne
Une boîte à outils Python pour créer des exemples adversariaux qui trompent les réseaux de neurones dans PyTorch, TensorFlow et JAX
Contenu ouvert pour l'apprentissage autodirigé en science des données
Précision moyenne moyenne - Ce code évalue les performances de votre réseau neuronal pour la reconnaissance d'objets.
Manipulation et transformation de données pour le traitement du signal audio, propulsé par PyTorch
Un framework open-source de détection de mots (ou phrases) d'activation audio, axé sur la performance et la simplicité.
Un kit de réglage fin général destiné aux modèles de diffusion d'images/vidéos/audio.
Questions d'entretien pour ingénieur algorithmique (direction IA CV) et documents associés
Système de classification d'images de filles multi-étiquettes basé sur l'IA, implémenté en utilisant TensorFlow.
Transformez les modèles ML en code natif (Java, C, Python, Go, JavaScript, Visual Basic, C#, R, PowerShell, PHP, Dart, Haskell, Ruby, F#, Rust) sans dépendances
Une liste soigneusement sélectionnée de ressources impressionnantes (articles, code, données, etc.) sur les transformeurs dans les séries temporelles.
Génération de jazz pilotée par l'apprentissage profond en utilisant Keras & Theano !
🔮 Une approche fonctionnelle rafraîchissante de l'apprentissage profond, compatible avec vos bibliothèques préférées
Collection de questions et réponses d'entretiens AIGC-interview/CV-interview/LLMs-interview, incluant également de nouvelles idées, de nouvelles questions, de nouvelles ressources et de nouveaux projets issus des processus de travail et de recherche
Un ensemble complet de métriques d'équité pour les ensembles de données et les modèles d'apprentissage automatique, des explications pour ces métriques et des algorithmes pour atténuer les biais dans les ensembles de données et les modèles.
Reconnaissance vocale automatique multilingue avec horodatages au niveau du mot et confiance
Une bibliothèque pour déboguer/inspecter les classificateurs d'apprentissage automatique et expliquer leurs prédictions