#recurrent-neural-networks Dépôts
Découvrez 36 dépôts GitHub open source actifs associés à #recurrent-neural-networks, cumulant 77,501 étoiles au total (soit une moyenne de 2,152 étoiles par projet). Le projet en tête de ce thème est BrainJS/brain.js, avec 14,838 étoiles.
36 dépôts au total
🤖 Réseaux de neurones accélérés par GPU en JavaScript pour les navigateurs et Node.js
Tutoriels pour débuter avec PyTorch et TorchText pour l'analyse de sentiments.
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
Un modèle de langage autorégressif au niveau du caractère pour faire plus de choses
Liste de papiers, code et expériences utilisant l'apprentissage profond pour la prévision de séries temporelles
Implémentations simplifiées d'œuvres liées à l'apprentissage profond
Système de reconnaissance de texte manuscrit (HTR) implémenté avec TensorFlow.
Dépôt de code pour les réseaux à constante de temps liquide (LTC)
Une plongée en profondeur dans toute l'histoire de l'apprentissage profond
Implémentation officielle PyTorch de Learning to (Learn at Test Time) : RNN avec états cachés expressifs
:computer: Apprenez à faire apprendre les machines pour ne pas avoir à lutter pour les programmer ; La liste ultime
Codebase pour les Réseaux Génératifs Antagonistes de Séries Temporelles (TimeGAN) – NeurIPS 2019
Référentiel de code pour Deep Learning avec Keras publié par Packt
Code officiel pour le papier : RecurrentGPT : Génération interactive de textes (arbitrairement) longs
Ce dépôt contient les ressources (articles, blogs, sites web, etc.) qu'Ilya a recommandées pour en savoir plus sur l'intelligence artificielle.
Algorithmes de décodage CTC (Classification Temporelle Connectiviste) : meilleur chemin, recherche en faisceau, recherche lexicale, recherche de préfixe et passage de jeton. Implémenté en Python.
Code et modèles accompagnant "Deep Predictive Coding Networks for Video Prediction and Unsupervised Learning"
Prédiction des cours des actions à l'aide d'un réseau neuronal LSTM (longue mémoire à court terme) TensorFlow pour la prévision de séries temporelles
Modèle linguistique à poids ouverts de Google DeepMind, basé sur Griffin.
Un code simple et flexible pour les architectures de Reservoir Computing comme les Echo State Networks
Décodeur de Classification Temporelle Connexionniste (CTC) avec dictionnaire et modèle de langage.
Une boîte à outils Python pour l'expérimentation du Reservoir Computing et des réseaux à état d'écho (Echo State Networks) basée sur PyTorch. EchoTorch est le seul module Python disponible pour créer facilement des modèles de Deep Reservoir Computing.
Foire aux questions
Quel est le dépôt #recurrent-neural-networks le plus populaire sur GitHub ?
Le projet #recurrent-neural-networks open source le mieux classé sur GitHub est BrainJS/brain.js, avec 14,838 étoiles. 🤖 Réseaux de neurones accélérés par GPU en JavaScript pour les navigateurs et Node.js
Quels langages de programmation sont les plus utilisés dans les dépôts #recurrent-neural-networks ?
Parmi les projets #recurrent-neural-networks les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, TypeScript, Cuda.
Comment le classement des dépôts #recurrent-neural-networks est-il calculé ?
Nous suivons 36 dépôts open source actifs associés à #recurrent-neural-networks (500+ étoiles), totalisant 77,501 étoiles, avec une moyenne de 2,152 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.