#machine-learning Dépôts
2,070 dépôts au total
Une feuille de route complète en ML (Machine Learning) Full Stack implique l'acquisition des compétences et des technologies nécessaires pour maîtriser tous les aspects du machine learning, y compris la collecte et le prétraitement des données, le développement de modèles, le déploiement et la maintenance.
Une approche pilotée par des modèles pour construire des agents IA en quelques lignes de code.
Implémentation originale du réglage de prompt par Lester et al, 2021
👁 👂 Marquage intelligent des médias pour Nextcloud : reconnaît les visages, les objets, les paysages, les genres musicaux
VectorFlow est un pipeline d'intégration de vecteurs à haut volume qui ingère des données brutes, les transforme en vecteurs et les écrit dans une base de données vectorielle de votre choix.
Une bibliothèque pour générer et évaluer des données tabulaires synthétiques pour la confidentialité, l'équité et l'augmentation des données.
Ressources pour travailler avec des données de séries chronologiques et séquentielles
Code de test Pytorch et Torch pour CartoonGAN [Chen et al., CVPR18]
Une collection d'algorithmes à la pointe de la technologie pour l'entraînement, le déploiement et l'interprétation des modèles Decision Forest dans Keras.
Client et Kit d'Outils Python pour DataFrames, Big Data, Machine Learning et ETL dans Elasticsearch
Une plateforme open source d'IA conversationnelle pour les interfaces vocales de domaine approfondi et les chatbots.
Ollama pour les modèles ML classiques. Compilateur AOT qui transforme les modèles XGBoost, LightGBM, scikit-learn, CatBoost et ONNX en code d'inférence natif C99. Une commande pour charger, une commande pour servir. 336x plus rapide que l'inférence Python.
Papiers, code et ensembles de données sur l'apprentissage profond pour la détection d'objets 3D.
Fabric for Deep Learning (FfDL, prononcé fiddle) est une plateforme d'apprentissage profond offrant TensorFlow, Caffe, PyTorch, etc. en tant que service sur Kubernetes.
Prédiction des cours des actions à l'aide d'un réseau neuronal LSTM (longue mémoire à court terme) TensorFlow pour la prévision de séries temporelles
Tutoriels d'apprentissage automatique informés par la physique (Pytorch et Jax)
BenchMARL est une bibliothèque pour l'évaluation comparative de l'apprentissage par renforcement multi-agents (MARL). BenchMARL permet de comparer rapidement différents algorithmes, tâches et modèles MARL tout en étant systématiquement ancré dans ses deux principes fondamentaux : la reproductibilité et la standardisation.
ML-capsule est un projet destiné aux débutants et aux passionnés de science des données expérimentés qui n'ont pas de mentor ou de conseils et qui souhaitent apprendre l'apprentissage automatique (Machine Learning). En utilisant notre dépôt, ils peuvent apprendre le ML, le DL et de nombreuses technologies connexes grâce à différents projets concrets et se préparer aux entretiens.
Un framework léger d'apprentissage par renforcement profond pour la gestion de portefeuille. Ce projet explore la possibilité d'appliquer des algorithmes d'apprentissage par renforcement profond au trading d'actions dans un framework hautement modulaire et scalable.
Suivez votre Data Science. La bibliothèque Python open-source de Skore accélère le développement de modèles ML grâce à des rapports d’évaluation automatisés, des conseils méthodologiques intelligents et une analyse exhaustive de la validation croisée.
Un projet à but non lucratif et open source pour rendre la astrologie védique facilement accessible à tous.
Une liste organisée de projets guidés en science des données et en IA pour commencer à construire votre portfolio
[JMLR 2023] Quantus est une boîte à outils d'IA explicable pour l'évaluation responsable des explications de réseaux de neurones
Une boîte à outils basée sur Python avec diverses méthodes en prise de décision, quantification de l'incertitude et émulation statistique : multi-fidélité, conception expérimentale, optimisation bayésienne, quadrature bayésienne, etc.
Une bibliothèque pour entraîner, évaluer, interpréter et mettre en production des modèles de forêts de décision tels que Random Forest et Gradient Boosted Decision Trees.
Mise en œuvre d'extraits de code, d'exercices et d'applications sur des données réelles issus de "Machine Learning for Asset Managers (Elements in Quantitative Finance)" écrit par le Prof. Marcos López de Prado.
Exemples de techniques pour entraîner des modèles ML interprétables, expliquer des modèles ML et déboguer des modèles ML en termes de précision, discrimination et sécurité.
Cours d'apprentissage automatique sans serveur pour la création de services de prédiction basés sur l'IA à partir de modèles et de fonctionnalités
Pipeline OCR multimodale optimisée pour l'entraînement ML (texte, figures, mathématiques, tableaux, diagrammes)
🙌Collection de plus de 234 projets basés sur l'apprentissage automatique, l'apprentissage profond, la vision par ordinateur, le traitement du langage naturel et tout le reste. Montrez votre soutien en ✨ ce dépôt.
Une liste organisée de ressources exceptionnelles pour les stratégies d'investissement et de trading quantitatif, axée sur les applications de l'intelligence artificielle et de l'apprentissage automatique dans la finance.
Reconnaissance automatique de plaques d'immatriculation (ALPR) ou reconnaissance automatique de plaques d'immatriculation (ANPR) logiciel qui fonctionne avec n'importe quelle caméra.