#neural-networks Dépôts
277 dépôts au total
La pile logicielle de Google DeepMind pour la simulation basée sur la physique et les environnements d'apprentissage par renforcement, utilisant MuJoCo.
Notes, devoirs de programmation et quiz de tous les cours de la spécialisation Deep Learning de Coursera proposés par deeplearning.ai : (i) Réseaux neuronaux et Deep Learning ; (ii) Amélioration des réseaux neuronaux profonds : réglage des hyperparamètres, régularisation et optimisation ; (iii) Structuration des projets d'apprentissage automatique ; (iv) Réseaux neuronaux convolutifs ; (v) Modèles de séquence
Implémentations en Python pur d'algorithmes de base d'apprentissage automatique
[ICML 2024] Vision Mamba : Apprentissage efficace de représentations visuelles avec un modèle d'espace d'états bidirectionnel
🧠💬 Articles que j'ai écrits sur l'apprentissage automatique, archivés depuis MachineCurve.com.
Hummingbird compile des modèles ML entraînés en calcul tensoriel pour une inférence plus rapide.
[NeurIPS 2024] Code officiel pour PuLID : Personnalisation d'identité pure et rapide via alignement contrastif
🛠 IDE tout-en-un basé sur le web spécialisé en machine learning et data science.
Un petit package pour créer des visualisations de graphes d'exécution de PyTorch
Une collection complète de ressources relatives aux KAN (Kolmogorov-Arnold Network), y compris des bibliothèques, des projets, des tutoriels, des articles, etc., pour les chercheurs et les développeurs dans le domaine du Kolmogorov-Arnold Network.
Toutes les notes et le matériel du cours CS229 : Apprentissage automatique de la Stanford University
Moteur d'échecs à réseau de neurones open source avec accélération GPU et large support matériel.
Ce repository est conçu pour aider les débutants en machine learning ou ceux qui se préparent à un étude. (This repository is intended for helping those who are beginners in machine learning or preparing for study)
Répertoire de tutoriels et de dépôts de code open-source pour travailler avec Keras, la bibliothèque d'apprentissage profond Python
un outil d'apprentissage automatique exceptionnel qui vous permet d'entraîner, de tester et d'utiliser des modèles sans écrire de code
Réseaux neuronaux élégants et faciles à utiliser + calcul scientifique dans JAX. https://docs.kidger.site/equinox/
Génération de jazz pilotée par l'apprentissage profond en utilisant Keras & Theano !
Un cours accéléré en six épisodes pour les développeurs de logiciels qui souhaitent devenir praticiens en apprentissage automatique.
Une liste organisée de ressources sur les représentations neuronales implicites.
Deep learning décentralisé dans PyTorch. Conçu pour entraîner des modèles sur des milliers de volontaires à travers le monde.
Réseaux neuronaux de passage de messages pour la prédiction de propriétés moléculaires
Opérateurs d'inférence pour réseaux neuronaux à virgule flottante à haute efficacité pour mobile, serveur et Web
Code pour le livre Make Your Own Neural Network
Un service de classement personnalisé par apprentissage automatique à faible code pour les articles, les annonces, les résultats de recherche, les recommandations qui stimule l'engagement des utilisateurs. Un moteur Learn-to-Rank convivial
Code source de PyGAD, une bibliothèque Python 3 pour la création de l'algorithme génétique et la formation d'algorithmes d'apprentissage automatique (Keras & PyTorch).
Solveurs numériques d'équations différentielles en JAX. Autodifférentiables et compatibles GPU. https://docs.kidger.site/diffrax/
Apprentissage profond et en ligne avec des réseaux de neurones à impulsions en Python
Une boîte à outils/bibliothèque Python pour l'apprentissage automatique/profonds centré sur la réalité et le data mining sur des séries temporelles partiellement observées, avec plus de 50 modèles de réseaux de neurones SOTA pour les tâches d'analyse scientifique (imputation, classification, clustering, prévision, détection d'anomalies, nettoyage) sur des TS multivariées industrielles incomplètes échantillonnées irrégulièrement avec des valeurs manquantes NaN
Calcul parallèle et apprentissage automatique scientifique (SciML) : Méthodes et applications (MIT 18.337J/6.338J)
Machines à Pensée Continue, car la pensée prend du temps et le raisonnement est un processus.
Une collection de plus de 1000 articles de synthèse sur le traitement automatique du langage naturel (TAL) et l'apprentissage automatique (ML).
Une boîte à outils open-source pour la classification hiérarchique de texte multi-étiquettes neuronale