#transfer-learning Dépôts
Découvrez 56 dépôts GitHub open source actifs associés à #transfer-learning, cumulant 149,105 étoiles au total (soit une moyenne de 2,662 étoiles par projet). Le projet en tête de ce thème est datawhalechina/leedl-tutorial, avec 16,879 étoiles.
56 dépôts au total
《Tutoriel d'apprentissage profond de Li Hongyi》(Recommandé par le professeur Li Hongyi 👍, Apple Books 🍎), Lien de téléchargement PDF : https://github.com/datawhalechina/leedl-tutorial/releases
Apprentissage par transfert / Adaptation de domaine / Généralisation de domaine / Apprentissage multi-tâches etc. Articles, codes, ensembles de données, applications, tutoriels. - Apprentissage par transfert
Code pour l'article "Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer"
Annoter ses propres ensembles de données, entraîner, évaluer, tester et déployer ses propres algorithmes d'intelligence artificielle
Bibliothèque d'apprentissage par transfert pour l'adaptation de domaine, l'adaptation de tâche et la généralisation de domaine
🔥🔥Bibliothèque de Reconnaissance Faciale Haute Performance sur PaddlePaddle & PyTorch🔥🔥
Une bibliothèque pour l'apprentissage par transfert en réutilisant des parties de modèles TensorFlow.
Collection de modèles impressionnants de vision-langage pour les tâches de vision
Implémentation de Segnet, FCN, UNet, PSPNet et d'autres modèles dans Keras.
Tutoriels Jupyter Notebook pour résoudre des problèmes du monde réel avec Machine Learning & Deep Learning en utilisant PyTorch. Sujets : Détection de visages avec Detectron 2, Détection d'anomalies dans les séries temporelles avec LSTM Autoencoders, Détection d'objets avec YOLO v5, Construisez votre premier Neural Network, Prévision de séries temporelles pour les cas quotidiens de Coronavirus, Analyse de sentiments avec BER
Kashgari est un framework d'apprentissage par transfert NLP de niveau production construit sur tf.keras pour l'étiquetage de texte et la classification de texte, inclut Word2Vec, BERT et GPT2 Language Embedding.
Bibliothèque PyTorch d'apprentissage profond pour la prévision de séries temporelles, la classification et la détection d'anomalies (initialement pour la prévision des inondations).
De nombreuses études ont montré que les performances en apprentissage profond sont considérablement affectées par le volume des données d'entraînement. Le projet MedicalNet fournit une série de modèles pré-entraînés 3D-ResNet et le code relatif.
Personnalisez le modèle Segment Anything (SAM) avec 1 prise de vue en 10 secondes
Code pour l'article TKDE « Apprentissage auto-supervisé sur les graphes : Contrastif, génératif ou prédictif »
🛸 Utilisez des transformers pré-entraînés comme BERT, XLNet et GPT-2 dans spaCy
Créez, entraînez, optimisez et exécutez des modèles de vision par ordinateur en local, des images brutes à l’inférence en temps réel. Open source, optimisé pour Intel® XPU (CUDA est également pris en charge).
Collection de super méthodes d'adaptation au moment du test (domaine/lot/instance)
Une liste complète d'articles remarquables sur l'apprentissage auto-supervisé contrastif.
TorchXRayVision : Une bibliothèque de jeux de données et de modèles de radiographies thoraciques. Classificateurs, segmentation et auto-encodeurs.
Une liste sélectionnée de ressources en NLP centrée sur les réseaux Transformer, le mécanisme d'attention, GPT, BERT, ChatGPT, LLMs et l'apprentissage par transfert.
Articles ICCV 2023-2025 : Découvrez les recherches de pointe d'ICCV 2023-25, la conférence de premier plan en vision par ordinateur. Restez à jour sur les dernières nouveautés en vision par ordinateur et en apprentissage profond, avec le code inclus. ⭐ Soutenez le développement de l'intelligence visuelle !
Outil de conception moléculaire IA pour la conception de novo, le saut de structure, le remplacement de groupe R, la conception de lieurs et l'optimisation de molécules.
Gaze-LLE : Estimation de la cible du regard via des encodeurs appris à grande échelle (CVPR 2025, Highlight)
Une liste curated de DATASETS, CODEBASES et ARTICLES sur l'apprentissage multi-tâches (MTL), du point de vue de l'apprentissage automatique.
Fusion de Modèles dans les LLMs, MLLMs et au-delà : Méthodes, Théories, Applications et Opportunités. ACM Computing Surveys, 2026.
[Prix du jeune scientifique de MICCAI 2019] [Prix du meilleur article de MedIA] Models Genesis : pré-entraînement auto-supervisé pour les images médicales 3D. Apprend des représentations transférables à partir de volumes de TDM et d’IRM non annotés, puis effectue un affinage pour les tâches en aval de segmentation et de classification. Poids Keras et PyTorch inclus.
Implémentation TensorFlow et PyTorch de "Meta-Transfer Learning for Few-Shot Learning" (CVPR2019)
Le référentiel principal pour la recherche et le développement de pointe en matière de réponse aux questions multilingues.
BiomedGPT: Un modèle de fondation généraliste Vision-Langage pour diverses tâches biomédicales
Prov-GigaPath : Un modèle fondamental pour lames entières pour la pathologie numérique à partir de données réelles
Cycle de vie complet d'un projet de science des données
Le code officiel pour "One Fits All: Power General Time Series Analysis by Pretrained LM (NeurIPS 2023 Spotlight)"
Foire aux questions
Quel est le dépôt #transfer-learning le plus populaire sur GitHub ?
Le projet #transfer-learning open source le mieux classé sur GitHub est datawhalechina/leedl-tutorial, avec 16,879 étoiles. 《Tutoriel d'apprentissage profond de Li Hongyi》(Recommandé par le professeur Li Hongyi 👍, Apple Books 🍎), Lien de téléchargement PDF : https://github.com/datawhalechina/leedl-tutorial/releases
Quels langages de programmation sont les plus utilisés dans les dépôts #transfer-learning ?
Parmi les projets #transfer-learning les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook.
Comment le classement des dépôts #transfer-learning est-il calculé ?
Nous suivons 56 dépôts open source actifs associés à #transfer-learning (500+ étoiles), totalisant 149,105 étoiles, avec une moyenne de 2,662 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.