#machine-learning Dépôts
2,070 dépôts au total
Une collection de scripts et de carnets pour vous aider à démarrer rapidement.
Les projets de fin d'études sont une partie cruciale du parcours universitaire d'un étudiant, en particulier dans les domaines de l'ingénierie, de l'informatique et d'autres disciplines techniques. 50 Projets de fin d'études Comprennent le code source, PPT, le synopsis, le rapport, les documents, le papier de recherche de base et les tutoriels vidéo.
DS & ML Python évolutifs, d'une manière compatible avec les API et ultra-rapide.
Notes de cours, exercices de tutorat y compris les solutions ainsi que des vidéos en ligne pour le cours d'apprentissage par renforcement animé par l'Université de Paderborn
:basketball::robot::basketball: Application web et API d'IA pour analyser les tirs de basketball et la pose de tir.
«Deep Learning à partir de zéro 2» (O'Reilly Japan, 2018)
Apprentissage automatique de séries temporelles à grande échelle. Construit avec Polars pour une extraction de caractéristiques et des prévisions sur des données de panel, facilement parallélisables.
Une extension ComfyUI permettant d'interroger des balises booru à partir d'images.
⭐ ⭐ Utilisez le ML pour classer les flux et les paquets comme bénins ou malveillants. ⭐ ⭐
Une implémentation PPO simple et bien stylisée. Basé sur ma série Medium : https://medium.com/@eyyu/coding-ppo-from-scratch-with-pytorch-part-1-4-613dfc1b14c8.
DeepRec est un framework d'apprentissage profond de haute performance pour les recommandations, basé sur TensorFlow. Il est hébergé en incubation au sein de la LF AI & Data Foundation.
Encodeur automatique variationnel implémenté en tensorflow et pytorch (y compris le flux autorégressif inverse)
🌝 MLKit est une boîte à outils puissante et facile à utiliser. Avec ML Kit, vous pouvez facilement implémenter des fonctionnalités telles que la reconnaissance de texte, la reconnaissance de codes-barres, le marquage d'images, la détection de visages, la détection d'objets, etc.
Augmentation rapide des données audio dans PyTorch. Inspiré par audiomentations. Utile pour le deep learning.
Articles intéressants sur la vision, l'apprentissage et les graphiques sur les chats !
Un framework Python pour l'évaluation de l'étiquetage de séquences (reconnaissance d'entités nommées, étiquetage POS, etc...)
[NeurIPS 2020] Code officiel du papier "DeepSVG: A Hierarchical Generative Network for Vector Graphics Animation". Comprend une bibliothèque PyTorch pour l'apprentissage profond avec des données SVG.
Outils pour la gestion de données multimodales dans les projets d'apprentissage automatique.
Bibliothèque Tensorielle Différentiable Rapide en JavaScript et TypeScript avec Bun + Flashlight
:muscle: Métriques de qualité et de performance des modèles (R2, ICC, LOO, AIC, BF, ...)
Une liste curated de projets Blockchain pour l'Intelligence Artificiale et l'Apprentissage Automatique
NVTabular est une bibliothèque d'ingénierie et de prétraitement de caractéristiques pour les données tabulaires, conçue pour manipuler rapidement et facilement des jeux de données à l'échelle du téraoctet utilisés pour entraîner des systèmes de recommandation basés sur l'apprentissage profond.
Implémentation de modèle de langage Plug and Play. Permet de diriger le sujet et les attributs des modèles GPT-2.
Le package nnsight permet d'interpréter et de manipuler les éléments internes des modèles appris en profondeur.
Questions d'entretien et tests écrits sur l'apprentissage automatique/apprentissage profond/Python/Langage Go (Machine learning Deep Learning Python and Golang Interview Questions)
Recueil de ressources web sur l’apprentissage automatique et l’apprentissage profond (Ressources d’apprentissage automatique)
🔥 Un agent IA autonome qui exécute vos expériences d'apprentissage profond 24/7 pendant que vous dormez. Surveillance à coût zéro, architecture Leader-Worker, mémoire de taille constante.
Une boîte à outils d'opérations compositionnelles pour l'optimisation bi-niveau basée sur le gradient
[Neurips 2023] Génération de niveaux de Mario avec GPT2. Code pour l'article "MarioGPT: Open-Ended Text2Level Generation through Large Language Models" https://arxiv.org/abs/2302.05981
Un framework et une boîte à outils AutoML pour l'apprentissage automatique sur les graphes.
Apprentissage automatique, statistiques et fouille de données pour l'astronomie et l'astrophysique
Z80-μLM est un modèle de langage quantifié de 2 bits, suffisamment petit pour fonctionner sur un processeur Z80 8 bits. Entraînez des modèles conversationnels en Python, exportez-les en tant que binaires CP/M .COM et discutez avec votre ordinateur vintage.
Un centre de connaissances sur l'ingénierie des données et l'apprentissage automatique
Une liste organisée, mais incomplète, de ressources sur l'IA axée sur les données.
Une liste d'ensembles de données Twitter et de ressources connexes.
Incorporations latentes apprenables pour l'analyse comportementale et neuronale conjointe – Implémentation officielle de CEBRA