#mlops Dépôts
227 dépôts au total
Détection sémantique conjointe et contrôle de la dissémination des attaques de phishing sur les réseaux sociaux par modélisation basée sur LLama
Une infrastructure ouverte pour démocratiser et décentraliser le développement de la superintelligence pour l'humanité.
CodeProject.AI Server est un service autonome que les développeurs de logiciels peuvent inclure et distribuer avec leurs applications afin d'enrichir leurs applications avec la puissance de l'IA.
🌀 Le framework MLOps complet en 7 étapes | Apprenez gratuitement le MLE et les MLOps en concevant, construisant et déployant un système batch ML de bout en bout ~ code source + 2,5 heures de matériel de lecture et vidéo
Une collection des dépôts Github les plus importants pour les praticiens du ML, de l'IA et de la science des données
Une plateforme pour la gestion d'expériences d'apprentissage automatique
🧠 Motorhead est un serveur de récupération de mémoire et d'informations pour les LLM.
LightlyStudio - La plateforme de données unifiée pour le ML multimodal
Un framework de service de modèle ML haute performance, offre le traitement par lots dynamique et les pipelines CPU/GPU pour exploiter pleinement votre machine de calcul
Démarrez votre initiative LLMOps avec un package Python flexible, robuste et productif.
Code pour le cours en ligne «Déploiement de Modèles d’Apprentissage Automatique»
Entraîner et déployer une API REST ML pour prédire les prix des cryptomonnaies, en 10 étapes
Extension de base de données vectorielle PostgreSQL pour la création d'applications d'IA
Neum AI est un framework de premier ordre pour gérer la création et la synchronisation d'incorporations vectorielles à grande échelle.
[MLSys'25] QServe : Quantification W4A8KV4 et co-conception de systèmes pour un service LLM efficace ; [MLSys'25] LServe : Service LLM efficace pour les longues séquences avec attention éparse unifiée
Déployez n'importe quel modèle d'IA, agent, base de données, RAG et pipeline localement ou à distance en quelques minutes
Format universel d'échange et de sérialisation de modèles pour forêts d'arbres de décision
Bibliothèque Python minimale pour se connecter aux LLM (OpenAI, Anthropic, Google, Groq, Reka, Together, AI21, Cohere, Aleph Alpha, HuggingfaceHub), avec un benchmark intégré des performances du modèle.
Le NVIDIA Data Center GPU Manager (DCGM) est un projet permettant de collecter des données de télémétrie et de mesurer la santé des GPU NVIDIA
Exercices et matériel supplémentaire pour le cours sur les opérations d'apprentissage automatique (Machine Learning Operations) à la DTU.
Carnets d'adresses, exemples de code, applications d'exemple et autres ressources qui montrent comment utiliser, développer et gérer des flux de travail d'apprentissage automatique et d'IA générative à l'aide de Vertex AI de Google Cloud.
Apprenez à créer, développer et maintenir une base de code MLOps à la pointe de la technologie
Outils open source d'annotation et d'étiquetage de données
Bienvenue dans le dépôt officiel de Batch18 ! 📚👩💻 Ici, vous trouverez une collection organisée de notes de cours, d'exercices et de fragments de code générés lors de nos séances.
Ce dépôt fournit une pile personnalisable pour démarrer de nouveaux projets ML sur Databricks qui suivent les meilleures pratiques de production dès le départ.
Dépôt modèle pour construire des projets PyTorch à partir de la source sur n'importe quelle version de PyTorch/CUDA/cuDNN.
Flux de travail de bout en bout de Google Cloud Platform Vertex AI pour les opérations d'apprentissage automatique
BharatMLStack est une pile d'infrastructure d'apprentissage automatique open-source de bout en bout construite chez Meesho pour prendre en charge les charges de travail ML en temps réel et par lots à l'échelle de Bharat
Modèle Cookiecutter pour les projets FastAPI utilisant : Machine Learning, uv, GitHub Actions et Pytests
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.
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.
Pour enregistrer et récupérer les métadonnées associées aux flux de travail des développeurs ML et des data scientists.
Backend Triton qui permet d'implémenter le prétraitement, le post-traitement et d'autres logiques en Python.
Cours d'apprentissage automatique sans serveur pour la création de services de prédiction basés sur l'IA à partir de modèles et de fonctionnalités
Passez rapidement du prototype de science des données au pipeline. Capturez, analysez et transformez des notebooks désordonnés en pipelines de données en seulement deux lignes de code.