#recommender-systems Dépôts
Découvrez 23 dépôts GitHub open source actifs associés à #recommender-systems, cumulant 73,763 étoiles au total (soit une moyenne de 3,207 étoiles par projet). Le projet en tête de ce thème est NVIDIA/DeepLearningExamples, avec 14,675 étoiles.
23 dépôts au total
Scripts d'apprentissage profond de pointe organisés par modèles - faciles à entraîner et à déployer avec une précision et des performances reproductibles sur une infrastructure de niveau entreprise.
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.
Un framework d'apprentissage profond industriel pour données creuses de haute dimension
Mises en œuvre concrètes de l'IA publiées par de grandes entreprises, dernières recherches issues de laboratoires de pointe, et retours d'expérience réels sur les défis industriels
Dépôt hébergeant le code pour "Actions Speak Louder than Words: Trillion-Parameter Sequential Transducers for Generative Recommendations" (https://arxiv.org/abs/2402.17152).
Survey : Une collection de papiers et de ressources GÉNIAUX sur les sujets des systèmes de recommandation liés aux grands modèles de langage (LLM).
Une bibliothèque configurable, réglable et reproductible pour la prédiction CTR https://fuxictr.github.io
Ce sont les notes du parcours d'étude de l'apprentissage automatique. Vous pourriez y trouver quelque chose d'utile.
Guide d'introduction aux systèmes de recommandation, présentant de manière exhaustive les connaissances théoriques des systèmes de recommandation industriels (Cours ouvert sur les systèmes de recommandation de Wang Shusen - Explication du système de recommandation industriel réel du scénario de Xiaohongshu), comment entraîner des modèles basés sur TensorFlow2, comment implémenter des microservices d'inférence Golang haute performance, haute concurrence et haute disponibilité. Présentation complète de la théorie des systèmes de recommandation industriels, de l'entraînement de modèles basé sur TensorFlow2 et de la mise en œuvre de services d'inférence haute performance, haute concurrence et haute disponibilité basés sur Golang.
⚡️Une bibliothèque Python ultra-rapide pour l'évaluation, la comparaison et la fusion de classement 🐍
Une collection organisée d'articles de recherche explorant l'utilisation des LLM pour des tâches liées aux graphes.
Cahiers et exemples sur la façon d'onboarder et d'utiliser diverses fonctionnalités d'Amazon Personalize
Une bibliothèque de métriques pour évaluer les systèmes de recommandation
[WSDM'2024 Oral] "SSLRec: Un cadre d'apprentissage auto-supervisé pour la recommandation"
Foire aux questions
Quel est le dépôt #recommender-systems le plus populaire sur GitHub ?
Le projet #recommender-systems open source le mieux classé sur GitHub est NVIDIA/DeepLearningExamples, avec 14,675 étoiles. Scripts d'apprentissage profond de pointe organisés par modèles - faciles à entraîner et à déployer avec une précision et des performances reproductibles sur une infrastructure de niveau entreprise.
Quels langages de programmation sont les plus utilisés dans les dépôts #recommender-systems ?
Parmi les projets #recommender-systems les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, PureBasic.
Comment le classement des dépôts #recommender-systems est-il calculé ?
Nous suivons 23 dépôts open source actifs associés à #recommender-systems (500+ étoiles), totalisant 73,763 étoiles, avec une moyenne de 3,207 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.