#machine-learning Dépôts
2,070 dépôts au total
Une boîte à outils pour l'apprentissage automatique et l'apprentissage profond des séries chronologiques
ModelFox facilite l'entraînement, le déploiement et la surveillance des modèles d'apprentissage automatique.
Ajustez finement les LLMs sur votre Mac avec Apple Silicon. SFT, DPO, GRPO, Vision, TTS, STT, Embedding et ajustement fin d'OCR — nativement sur MLX. API compatible avec Unsloth.
Un programme d'études pour apprendre les modèles fondamentaux, de zéro à la pointe
Démonstrations Python bien documentées pour l'analyse de données spatiales, la géostatistique et l'apprentissage automatique afin de soutenir mes cours.
Un ensemble de notebooks et d'autres fichiers qui peuvent vous aider à apprendre l'IA en partant de zéro.
Le choix open-source du data scientist pour faire évoluer, évaluer et maintenir les données de langage naturel. Traitez les données d'entraînement comme un artefact logiciel.
Concrete ML : Framework ML axé sur la préservation de la confidentialité utilisant le chiffrement entièrement homomorphe (FHE), construit sur Concrete, avec des liaisons vers des frameworks ML traditionnels.
Ressources de Data Science organisées (gratuites et payantes) pour aider les data scientists en herbe et expérimentés à apprendre, à grandir et à faire progresser leur carrière.
🌊 Logiciel Julia pour une dynamique des fluides rapide, conviviale, flexible et au goût océanique sur CPU et GPU
AMD-SHARK Studio -- Interface utilisateur Web pour la distribution d'apprentissage automatique haute performance SHARK+IREE
Exemple de Machine Learning TensorFlow pour Android (Construction de TensorFlow pour Android)
Le dépôt de code officiel de la deuxième édition du livre O'Reilly Generative Deep Learning: Teaching Machines to Paint, Write, Compose and Play.
Code source accompagnant le livre : Data Science sur Google Cloud Platform, Valliappa Lakshmanan, O'Reilly 2017
Code pour l'article TKDE « Apprentissage auto-supervisé sur les graphes : Contrastif, génératif ou prédictif »
Package Python MLOps conçu pour la production et implémentation de référence du cours de programmation MLOps : MLflow, scikit-learn, Pydantic, Pandera, uv et mise.
Une bibliothèque de tenseurs rapide, ergonomique et portable en Nim avec un focus sur l'apprentissage profond pour CPU, GPU et dispositifs embarqués via les backends OpenMP, Cuda et OpenCL
Générer de la musique basée sur des invites en langage naturel à l'aide de LLM exécutés localement
🛸 Utilisez des transformers pré-entraînés comme BERT, XLNet et GPT-2 dans spaCy
Pruna est un framework d'optimisation de modèles conçu pour les développeurs, vous permettant de fournir des modèles plus rapides et plus efficaces avec une surcharge minimale.
Un kit d'outils d'apprentissage automatique pour la détection d'anomalies basée sur les journaux [ISSRE'16]
Awesome-TensorFlow-Chinese, une collection sélectionnée de ressources chinoises TensorFlow, comprenant le site officiel, des tutoriels d'installation, des tutoriels pour débutants, des tutoriels vidéo, des projets pratiques et des parcours d'apprentissage. Groupe QQ : 167122861, compte public WeChat : Panchuang AI, code QR du groupe WeChat : http://www.tensorflownews.com/
Outil pour segmenter le texte en phrases ou autres unités sémantiques de manière robuste, efficace et adaptable.
Une collection de carnets Jupyter de référence et d'applications de démonstration AI/ML pour des cas d'usage d'entreprise : marketing, tarification, chaîne d'approvisionnement, fabrication intelligente, et plus encore.
Créez, entraînez, optimisez et exécutez des modèles de vision par ordinateur en local, des images brutes à l’inférence en temps réel. Open source, optimisé pour Intel® XPU (CUDA est également pris en charge).
Segmentation de texte chinois « Jieba » : Conçu pour être le meilleur module PHP de segmentation de mots chinois et de découpage. / « Jieba » (chinois pour « bégayer ») Segmentation de texte chinois : construit pour être le meilleur module PHP de segmentation de mots chinois.
Un kit d'outils de recherche pour l'optimisation par essaim de particules en Python
[ICASSP 2024] 🍵 Matcha-TTS : Une architecture TTS rapide avec mise en correspondance de flux conditionnelle