#numerical-methods Dépôts
Découvrez 39 dépôts GitHub open source actifs associés à #numerical-methods, cumulant 55,031 étoiles au total (soit une moyenne de 1,411 étoiles par projet). Le projet en tête de ce thème est rtqichen/torchdiffeq, avec 6,437 étoiles.
39 dépôts au total
Solveurs d'EDO différentiables avec support GPU complet et rétropropagation mémoire O(1).
Apprentissage Profond Informé par la Physique : Solutions Pilotées par les Données et Découverte d'Équations aux Dérivées Partielles Non Linéaires
Calcul parallèle et apprentissage automatique scientifique (SciML) : Méthodes et applications (MIT 18.337J/6.338J)
Liens vers des travaux sur les algorithmes d'apprentissage profond pour les problèmes de physique, TUM-I15 et au-delà
Une bibliothèque PyTorch entièrement dédiée aux équations différentielles neuronales, aux modèles implicites et aux méthodes numériques associées
Kratos Multiphysics (également appelé Kratos) est un framework pour la construction de logiciels de simulation parallèle multidisciplinaires. La modularité, l'extensibilité et le HPC sont les principaux objectifs. Kratos a une licence BSD et est écrit en C++ avec une interface Python étendue.
visualisation interactive de 5 méthodes populaires de descente de gradient avec illustration étape par étape et interface utilisateur pour le réglage des hyperparamètres
Exercices supplémentaires et données pour EE364a. Pas de solutions ; pour le grand public.
Un cours de méthodes numériques avec Python pour ingénieurs et scientifiques : actuellement 5 modules d'apprentissage, avec des devoirs d'étudiants.
Approximation basée sur une grille des équations aux dérivées partielles en Julia
Firedrake est un système automatisé pour la solution portable d'équations aux dérivées partielles à l'aide de la méthode des éléments finis (FEM)
Logiciel libre et open source pour les calculs mathématiques et d'ingénierie.
Cours intensif MIT IAP : Calcul matriciel pour l'apprentissage automatique et au-delà
BackPACK - un package de rétropropagation construit sur PyTorch qui calcule efficacement des quantités autres que le gradient.
ACADO Toolkit est un environnement logiciel et une collection d'algorithmes pour le contrôle automatique et l'optimisation dynamique. Il fournit un cadre général pour l'utilisation d'une grande variété d'algorithmes pour le contrôle optimal direct, y compris le contrôle prédictif basé sur le modèle, l'estimation d'état et de paramètres et l'optimisation robuste.
Un framework natif Python pour la simulation de systèmes dynamiques selon le paradigme des schémas-blocs.
Package Python pour les dérivées numériques et les équations différentielles partielles dans n'importe quel nombre de dimensions。
Foire aux questions
Quel est le dépôt #numerical-methods le plus populaire sur GitHub ?
Le projet #numerical-methods open source le mieux classé sur GitHub est rtqichen/torchdiffeq, avec 6,437 étoiles. Solveurs d'EDO différentiables avec support GPU complet et rétropropagation mémoire O(1).
Quels langages de programmation sont les plus utilisés dans les dépôts #numerical-methods ?
Parmi les projets #numerical-methods les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, C++, Jupyter Notebook, HTML.
Comment le classement des dépôts #numerical-methods est-il calculé ?
Nous suivons 39 dépôts open source actifs associés à #numerical-methods (500+ étoiles), totalisant 55,031 étoiles, avec une moyenne de 1,411 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.