#machine-learning Dépôts
2,070 dépôts au total
MOA est un framework open source pour l'exploration de flux de données massives (Big Data). Il comprend une collection d'algorithmes d'apprentissage automatique (classification, régression, clustering, détection d'anomalies, détection de dérive de concept et systèmes de recommandation) et des outils d'évaluation.
Mise à jour automatique quotidienne des papiers Text-to-Speech (TTS) à l'aide de Github Actions (Mise à jour toutes les 12 heures)
Système de recommandation de films basé sur l'algorithme de recommandation de filtrage collaboratif implémenté avec Mahout
Ce dépôt contient des tutoriels sur la façon d'utiliser les API d'estimateur TensorFlow pour effectuer diverses tâches ML de manière systématique et standardisée.
Framework ultra-rapide pour le réglage fin des modèles d'apprentissage de similarité
Ce dépôt contient tous les projets d'analyse de données sur lesquels j'ai travaillé en Python.
Portfolio de recherche au lycée : 2 publications évaluées par des pairs (IEEE, IJHSR) + 3 projets en cours couvrant l’apprentissage automatique inspiré de l’informatique quantique, la biologie computationnelle, l’imagerie biomédicale, l’apprentissage par renforcement appliqué aux incendies de forêt et la recherche en enseignement des sciences. Affilié à Stanford Medicine, UCLA COSMOS et UCSB SRA.
Un code simple et flexible pour les architectures de Reservoir Computing comme les Echo State Networks
Un ensemble de données audio gratuit de chiffres parlés. Une version audio de MNIST.
Notes et matériaux sur la modélisation mathématique et le machine learning/deep learning/grands modèles (en cours de mise à jour...).
Le projet se concentre sur le suivi des personnes disparues. Nous utilisons le traitement d'images et l'apprentissage automatique avec la base de données Postgres.
OCR rapide et hors ligne pour Node.js et C++. PP-OCRv6 avec accélération matérielle Core ML / WebGPU — reconnaissez le texte dans les images avec des scores de confiance et des coordonnées. npm : @arcships/light-ocr
Fiches de préparation bilingues (chinois + anglais) aux entretiens de ML / LLM / diffusion / agents pour le recrutement d’automne en IA — générées par ARIS /interview-cheatsheet, puis rendues par /render-html en fichiers HTML autonomes lisibles partout — ainsi qu’un générateur de pages d’accueil académiques vérifié par recoupement CV→DBLP et des articles longs rédigés par l’auteur 🌱
Extension Polars pour les cas d'utilisation généraux de la science des données
Awesome-LLM-Eval: une liste organisée d'outils, de jeux de données/benchmarks, de démos, de classements, d'articles, de documents et de modèles, principalement pour l'évaluation des LLM. Une liste organisée d'outils, de benchmarks/données, de démos, de classements et de grands modèles, principalement axée sur l'évaluation des grands modèles de base, dans le but d'explorer les limites technologiques de l'IA générative.
La couche d’avantage honnête pour les marchés prédictifs de Kalshi : une boîte à outils conçue pour les agents (CLI, serveur MCP, compétence Claude) qui mesure si vous battez réellement le marché, au lieu de simplement le prétendre.
Apprentissage automatique reproductible pour la détection de fraude par carte de crédit - Manuel pratique
[CVPR 2024] Panda-70M : Légender 70 millions de vidéos avec de multiples professeurs cross-modalité
Un tutoriel intuitif sur la régression par processus gaussien
(AAAI' 20) Une boîte à outils Python pour la combinaison de modèles d'apprentissage automatique
Accélérateurs de solution Azure MLOps (v2). Modèles prêts pour l'entreprise pour déployer vos modèles d'apprentissage automatique sur la plateforme Azure.
Une bibliothèque pour modéliser des données multivariées en utilisant des copules.
Divisez automatiquement vos modèles PyTorch sur plusieurs GPU pour l'entraînement et l'inférence
Un moteur d'inférence ONNX léger, portable, en pur C99 pour appareils embarqués avec prise en charge de l'accélération matérielle.
Un repository de datasets plutôt cool que j'ai collectés pour la recherche en science des réseaux et en apprentissage automatique.
Implémentation d'algorithmes d'Inverse Reinforcement Learning (IRL) en Python/TensorFlow. Deep MaxEnt, MaxEnt, LPIRL
Boîte à outils et benchmark CAIRI pour l'apprentissage de représentations visuelles supervisé, semi-supervisé et auto-supervisé
ConvoKit est un kit d'outils pour extraire les caractéristiques conversationnelles et analyser les phénomènes sociaux dans les conversations. Il inclut plusieurs grands ensembles de données conversationnelles ainsi que des scripts illustrant l'utilisation du kit d'outils sur ces ensembles de données.
Traduction chinoise de 'Machine Learning: A Probabilistic Perspective' (Kevin P. Murphy) et implémentations en Python des algorithmes du livre.
Un package d'apprentissage par renforcement pour Julia
🚀 Vitesse 200x ! Le super outil de téléchargement à l'ère de l'IA | Accélération complète pour Docker/PyPI/HuggingFace/CRAN | Fragmentation parallèle + mise en cache intelligente, laissez les téléchargements décoller.
:chart_with_upwards_trend: Implémentation de huit métriques d'évaluation pour accéder à la similarité entre deux images. Les huit métriques sont les suivantes : RMSE, PSNR, SSIM, ISSM, FSIM, SRE, SAM et UIQ.
Prévision de la charge électrique de Delhi en utilisant les modèles ARIMA, RNN, LSTM et GRU
HISTDATA - Ensemble de données composé de toutes les paires de trading FX / Pétrole brut / Indices boursiers. API simple pour récupérer les données de 1 minute (et données tick) Prix historiques FX (à jour).
Ce code accompagne l'article « Trading with the Momentum Transformer : An Intelligent and Interpretable Architecture » (https://arxiv.org/pdf/2112.08534.pdf).
Paquet Python pour la Découverte Causale en apprenant la structure graphique des réseaux bayésiens. Structure Learning, Parameter Learning, Inférences, Méthodes d'échantillonnage.
Un guide complet pour les débutants dans le domaine de la gestion des données et de l'intelligence artificielle.