#machine-learning Dépôts
2,070 dépôts au total
La manière la plus simple de servir des applications et modèles IA - Créez des API d'inférence de modèles, des files d'attente de tâches, des applications LLM, des pipelines multi-modèles et plus encore !
Module de fouille web pour Python, avec des outils pour le scraping, le traitement du langage naturel, l'apprentissage automatique, l'analyse de réseau et la visualisation.
🧙 Créez, exécutez et gérez des pipelines de données pour l'intégration et la transformation des données.
Une bibliothèque Python conçue pour permettre aux développeurs de créer des applications et des systèmes avec des capacités de vision par ordinateur autonomes
Vowpal Wabbit est un système d'apprentissage automatique qui repousse les frontières de l'apprentissage automatique avec des techniques telles que online, hashing, allreduce, reductions, learning2search, active et interactive learning.
Guide d'Entretien en Apprentissage Profond (Comprend Mathématiques, Apprentissage Automatique, Apprentissage Profond, Vision par Ordinateur, Traitement du Langage Naturel et SLAM, etc.)
Modèles linguistiques volumineux accessibles via la quantification k-bit pour PyTorch.
DataFrame hybride Apache Arrow/NumPy hors mémoire pour Python, ML, visualisation et exploration de grandes données tabulaires à un milliard de lignes par seconde 🚀
Qwen-Image est un puissant modèle fondamental de génération d'images capable de rendus de texte complexes et d'édition d'images précise.
DoWhy est une bibliothèque Python pour l'inférence causale qui prend en charge la modélisation et le test explicites des hypothèses causales. DoWhy est basé sur un langage unifié pour l'inférence causale, combinant des modèles graphiques causaux et des cadres de résultats potentiels.
Une ressource pour apprendre le Machine learning et le Deep Learning
BoxMOT : suivi multiobjet modulaire en Python et C++ pour les boîtes alignées sur les axes et orientées, désormais avec un déploiement via Helm pour le suivi continu des caméras sur Kubernetes.
Contient des solutions et des notes pour la spécialisation en apprentissage automatique de la Stanford University et Deeplearning.ai - Coursera (2022) par le Prof. Andrew NG
Adieu à l'ennui, dédié à la création d'exemples pratiques petits de Python, plus de tutoriels Python consciencieux sur https://ai-jupyter.com
Un récupérateur Web intelligent, automatique, rapide et léger pour Python
Evidently est un framework open-source d'observabilité ML et LLM. Évaluez, testez et surveillez tout système alimenté par l'IA ou pipeline de données. Des données tabulaires à Gen AI. Plus de 100 métriques.
Infrastructure de production pour l'apprentissage automatique à grande échelle
Code d'accompagnement dans "Tutoriel pratique de formation de modèles PyTorch"
Cahiers et code pour le livre "Introduction to Machine Learning with Python"
Équations et diagrammes classiques en apprentissage automatique
Utilisation de BERT et c-TF-IDF pour créer des sujets facilement interprétables.
22 techniques d'ingénierie de prompts avec des tutoriels pratiques sur Jupyter Notebook, des concepts fondamentaux aux stratégies avancées pour exploiter les LLMs.
Bibliothèque Python de Stanford NLP pour la tokenisation, la segmentation de phrases, NER et l'analyse de nombreuses langues humaines
Framework flexible et puissant pour la gestion de plusieurs agents IA et la gestion de conversations complexes
Orchestration distribuée et sûre du point de vue des types d’agents, de pipelines de ML et d’inférence en temps réel sur votre k8s — en Python pur avec async/await, ainsi que dans d’autres langages (Rust, Go et TypeScript)
Devenez un chercheur/ingénieur en IA/ML hors pair grâce à ce manuel non conventionnel qui aborde les mathématiques, l'informatique et le ML avec intuition.
Livre_3_《Éléments de Mathématiques》 | Le livre Iris : De l'arithmétique au machine learning ; Mis en ligne ; Bienvenue pour continuer à corriger les erreurs, les étudiants qui corrigent beaucoup d'erreurs recevront également des livres en cadeau !
Une bibliothèque Python open source pour l'ingénierie de fonctionnalités automatisée
Ceci est le code pour "Learn Machine Learning in 3 Months" par Siraj Raval sur Youtube
Guide détaillé et sur mesure pour les étudiants de premier cycle ou toute personne souhaitant approfondir le domaine de l'IA avec des bases solides.
H2O est une Plateforme d'Apprentissage Automatique Open Source, Distribuée, Rapide et Évolutive : Deep Learning, Gradient Boosting (GBM) & XGBoost, Random Forest, Generalized Linear Modeling (GLM avec Elastic Net), K-Means, PCA, Generalized Additive Models (GAM), RuleFit, Support Vector Machine (SVM), Stacked Ensembles, Automatic Machine Learning (AutoML), etc.
Tutoriel d'introduction aux systèmes de recommandation, adresse de lecture en ligne : https://datawhalechina.github.io/fun-rec/
Collection de modèles génératifs, par ex. GAN, VAE en PyTorch et TensorFlow.
Une liste sélectionnée de carnets et bibliothèques pour l'apprentissage automatique appliqué et la science des données dans différents secteurs (par @firmai)
Le cadre d'orchestration multi-agents de niveau entreprise. Site web : https://swarms.ai
Format Lakehouse ouvert pour l'IA multimodale. Convertissez depuis Parquet en 2 lignes de code pour un accès aléatoire 100 fois plus rapide, un index vectoriel et la gestion de version des données. Compatible avec Pandas, DuckDB, Polars, Pyarrow et PyTorch, avec d'autres intégrations à venir.