#machine-learning Dépôts
2,070 dépôts au total
Serveur d'inférence CPU/GPU efficace, évolutif et de niveau entreprise pour les modèles transformer de 🤗 Hugging Face 🚀
Les actions en deep learning et en machine learning représentent des opportunités prometteuses pour les investisseurs et les traders à long et court terme.
Graph4nlp est la bibliothèque pour l'utilisation facile des réseaux de neurones graphiques pour le NLP. Bienvenue sur notre site web DLG4NLP (https://dlg4nlp.github.io/index.html) pour diverses ressources d'apprentissage !
Un framework basé sur PyTorch pour la Simulation Quantique Classique, l'Apprentissage Automatique Quantique, les Réseaux Neuronaux Quantiques, les Circuits Quantiques Paramétrés avec prise en charge de déploiements faciles sur de véritables ordinateurs quantiques.
Interface de recherche basée sur Python pour l'optimisation de boîtes noires et d'hyperparamètres, basée sur le service interne Google Vizier.
Modèles de réseaux neuronaux pré-entraînés dans Axon (+ intégration 🤗 Models)
Collection de notebooks Google Colaboratory pour des expériences rapides et faciles
Un outil de débogage visuel indépendant du modèle pour l'apprentissage automatique
Tutoriels Apache Spark & Python (pySpark) pour l'analyse de Big Data et l'apprentissage automatique sous forme de carnets IPython / Jupyter
package R caret (Classification And Regression Training) qui contient diverses fonctions pour l'entraînement et la visualisation de modèles de classification et de régression
Un guide de démarrage rapide et un benchmark pour l'entraînement distribué de PyTorch.
Les agents backend sont construits avec : une base de données multimodale, une orchestration et un service dans un seul fichier
Générateurs de données synthétiques pour données tabulaires et séries temporelles
Une bibliothèque PyTorch et une plateforme d'évaluation pour la recherche sur la compression de bout en bout
Le système de codage automatique pour votre application — Alan AI SDK pour Ionic
Extraction de données non structurées, rapide et efficace. Écrit en Rust avec des liaisons pour de nombreuses langues.
🚀 Ressources IA GRATUITES - 🎓 Cours, 👷 Emplois, 📝 Blogs, 🔬 Recherche IA, et bien plus encore - pour tous !
Ce dépôt fournit du code pour des algorithmes d'apprentissage automatique destinés aux appareils edge développés à Microsoft Research India.
Machine Learning pour le Trading Algorithmique, Deuxième Édition - publié par Packt
Interface de manipulation universelle : enseignement de robot dans la nature sans robots dans la nature
Liste de ressources utiles pour l'augmentation de données. Vous trouverez ici des techniques peu communes, des bibliothèques, des liens vers des dépôts GitHub, des articles et autres.
une bibliothèque Python pour l'analyse de chaînes d'adresses non structurées des États-Unis en composants d'adresse
Entraînement unifié de transformeurs universels pour la prévision de séries temporelles
Paquet ML interprétable 🔍 pour une modélisation prédictive concise, transparente et précise (compatible avec sklearn).
AIDE : un agent LLM pour l'ingénierie du machine learning, la recherche dont Weco est issu. Référencé dans le MLE-bench d'OpenAI.
MixTeX multimodal LaTeX, ZhEn et OCR de tableaux. Il effectue une inférence efficace basée sur le CPU en local, hors ligne, sous Windows.
Second œil universel pour les joueurs handicapés (Aligneur de visée IA universel (AI Aimbot) - ONNX/YOLOv8 - C#)
Infer.NET est un framework pour exécuter l'inférence bayésienne dans des modèles graphiques.
Machine Learning University : Cours accéléré de vision par ordinateur
:red_circle: MiniSom est une implémentation minimaliste des cartes d'auto-organisation
Une bibliothèque de recherche approximative du plus proche voisin pour Python et Java, axée sur la facilité d'utilisation, la simplicité et la déployabilité.
ExtractThinker est une bibliothèque d'intelligence documentaire pour les LLM, offrant une interaction de style ORM pour des flux de travail de documents flexibles et puissants.
Implémentations de haute qualité de méthodes standard et SOTA sur une variété de tâches.
Que contiennent vos données ? Extrayez les schémas, les statistiques et les entités des ensembles de données