#natural-language-processing Dépôts
798 dépôts au total
Plongez dans le Deep Learning, l'Apprentissage par Renforcement, le Machine Learning, la Vision par Ordinateur et le NLP en apprenant de ces conférences passionnantes !!
Un modèle de langage conversationnel open source enrichi par des outils, développé par l’Université Fudan
Tokeniseur de texte non supervisé pour la génération de texte basée sur des réseaux de neurones.
La page GitHub officielle du document de synthèse "A Survey of Large Language Models".
OpenVINO™ est un kit d'outils open source pour optimiser et déployer l'inférence IA.
Framework low-code pour construire des LLMs personnalisés, des réseaux neuronaux et d'autres modèles d'IA
💥 Tokenizers de pointe rapides optimisés pour la recherche et la production
Kimi K2 est la série de grands modèles linguistiques développés par l'équipe Moonshot AI.
Ce dépôt contient une collection organisée de plus de 300 études de cas provenant de plus de 80 entreprises, détaillant les applications pratiques et les aperçus de la conception de systèmes d'apprentissage automatique (ML). Le contenu est organisé pour vous aider à trouver facilement des études de cas pertinentes en fonction du secteur ou de cas d'utilisation spécifiques du ML.
Mes notes et démos continuellement mises à jour sur Machine Learning, Modèles Probabilistes et Deep Learning (2000+ diapositives) Mes supports de cours mis à jour sans interruption sur l'apprentissage automatique, les modèles probabilistes et l'apprentissage profond (2000+ pages) et liens vidéo
Code minimal et propre pour l'algorithme Byte Pair Encoding (BPE) couramment utilisé dans la tokenisation LLM.
Une liste organisée de ressources de guides pratiques sur les LLM (LLMs Tree, Exemples, Articles)
CoreNLP : Une suite Java d'outils principaux de TALN pour la tokenisation, la segmentation des phrases, NER, l'analyse syntaxique, la coréférence, l'analyse de sentiments, etc.
Une implémentation PyTorch du modèle Transformer dans « Attention is All You Need ».
Simple, Pythonique, traitement de texte : analyse de sentiment, étiquetage des parties du discours, extraction de phrases nominales, traduction et plus.
Une collection d'exemples et de tutoriels d'apprentissage automatique.
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.
Guide d'Entretien en Apprentissage Profond (Comprend Mathématiques, Apprentissage Automatique, Apprentissage Profond, Vision par Ordinateur, Traitement du Langage Naturel et SLAM, etc.)
Le nouveau livre de Google, 'Agentic Design Patterns', la meilleure version en chinois, optimisé en continu. Inclus : lecture en ligne, PDF et téléchargement du e-book ePub.
Code d'accompagnement dans "Tutoriel pratique de formation de modèles PyTorch"
Cahiers et code pour le livre "Introduction to Machine Learning with Python"
Bibliothèque Python de Stanford NLP pour la tokenisation, la segmentation de phrases, NER et l'analyse de nombreuses langues humaines
Fondamentaux des Grands Modèles : Comprenez les bases des grands modèles en un seul article
:speech_balloon: Traducteur en ligne de commande utilisant Google Translate, Bing Translator, Yandex.Translate, etc.
Logiciel en C et fichiers de données pour le populaire modèle GloVe pour les représentations de mots distribuées, alias vecteurs de mots ou embeddings
[ICLR 2024] Modèles de Langage Efficaces en Streaming avec des Puits d'Attention
Maintenu officiellement, soutenu par PaddlePaddle, incluant CV, NLP, Speech, Rec, TS, grands modèles et ainsi de suite.
[EMNLP'23, ACL'24] Pour accélérer l'inférence des LLM et améliorer la perception des informations clés par les LLM, compresse le prompt et le KV-Cache, ce qui permet une compression jusqu'à 20 fois avec une perte de performance minimale.
Liste de lecture pour les sujets de recherche en apprentissage automatique multimodal
Une bibliothèque NLP pour construire des bots, avec extraction d'entités, analyse de sentiments, identification automatique de la langue et bien plus
Code pour l'article "Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer"
Une liste curatée de méthodes d'auto-supervision excellentes