#machine-learning Dépôts
2,070 dépôts au total
Une bibliothèque légère "header-only" pour utiliser des modèles Keras (TensorFlow) en C++.
Une liste de ressources en Data Science / Machine Learning (principalement gratuites)
JMLR : OmniSafe est un cadre d'infrastructure pour accélérer la recherche SafeRL.
Plateforme de Bio-informatique intégrant l'apprentissage de représentation à grande échelle et l'apprentissage profond multi-tâches : l'ensemble d'outils de bio-informatique « Propeller »
Une bibliothèque open source construite sur Qiskit pour des tâches d'apprentissage automatique quantique à grande échelle sur du matériel quantique et des simulateurs classiques
Une bibliothèque de réseaux de neurones de niveau supérieur pour microcontrôleurs.
Bibliothèque d’extraction de caractéristiques de séries temporelles (TSFEL) : plus de 60 caractéristiques statistiques, temporelles, spectrales et fractales pour la classification et la régression de séries temporelles, ainsi que le traitement du signal en Python
DataDreamer: Prompt. Générer des données synthétiques. Entraîner et aligner des modèles. 🤖💤
Outils pour entraîner un modèle génératif sur des échantillons audio arbitraires
Collection de jeux de données de ré-identification de personnes disponibles publiquement
Une plongée profonde dans les plongements (embeddings) en partant des fondamentaux
Environnements d'apprentissage par renforcement pour le contrôle des feux de circulation avec SUMO. Compatible avec Gymnasium, PettingZoo et les bibliothèques RL populaires.
Bibliothèque modulaire d'apprentissage par renforcement (RL) (implémentée en PyTorch, JAX et NVIDIA Warp) avec prise en charge de Gymnasium/Gym, NVIDIA Isaac Lab, MuJoCo Playground et d'autres environnements
:computer: Apprenez à faire apprendre les machines pour ne pas avoir à lutter pour les programmer ; La liste ultime
Code officiel pour TimeCraft : UN cadre de génération de séries temporelles pour des applications réelles
Implémentation simple de transformer de zéro en PyTorch. (archival, dernière version sur codeberg)
Exécutez Laya, le modèle décisionnel System-1 open source compatible avec Jev, depuis Node.js / TypeScript via ONNX Runtime
Hub de la biodiversité de Microsoft AI for Good Lab : catalogue de projets, documentation et navigation pour l’IA au service de la conservation, SPARROW et MegaDetector.
Application Ionic haute performance, multiplateforme pour la surveillance de sécurité domestique/commerciale utilisant ZoneMinder
🟣 Questions et réponses d'entretien sur les LLM pour vous aider à vous préparer à votre prochain entretien en machine learning et science des données en 2026.
L'ensemble de données WIT (Wikipedia-based Image Text) est un grand ensemble de données multimodales et multilingues comprenant plus de 37 millions d'ensembles image-texte avec plus de 11 millions d'images uniques dans plus de 100 langues.
Une bibliothèque adversarial PyTorch pour les méthodes d'attaque et de défense sur les images et les graphes
Livre : MapReduce, Spark, Java et Scala pour les algorithmes de données
Répertoire public officiel pour PM4Py (Process Mining for Python) — une bibliothèque open-source pour explorer, analyser et optimiser les processus métier avec Python.
Créez des agents IA à partir des premiers principes en utilisant une LLM locale – sans framework, sans API cloud et sans raisonnement caché.
Hands-On Graph Neural Networks avec Python, publié par Packt
Réseau de Neurones Convolutifs 3D Multi-Échelle Efficace pour la Segmentation de Scans Médicaux 3D
Introduction à PyTorch, couvrant l'initialisation des tenseurs, les opérations, l'indexation et le remodelage.
Compilation de codes de programmation R et Python sur la chaîne YouTube Data Professor.
RAFT contient des algorithmes et des primitives fondamentaux et largement utilisés pour l'apprentissage automatique et la récupération d'informations. Les algorithmes sont accélérés par CUDA et forment des blocs de construction pour écrire plus facilement des applications haute performance.
Un fork de gym-retro avec des jeux, des émulateurs et des plateformes supplémentaires pris en charge
Une liste sélectionnée de papiers de recherche sur le gradient boosting avec implémentations.