Jupyter Notebook Repository
1,614 repository in totale
Notebook Jupyter per gli esempi di codice del libro "Deep Learning with Python"
Qwen3-VL รจ la serie di modelli linguistici di grandi dimensioni multimodali sviluppata dal team Qwen di Alibaba Cloud.
Il repository fornisce codice per eseguire l'inferenza con il Meta Segment Anything Model 2 (SAM 2), collegamenti per il download dei checkpoint del modello addestrato ed esempi di notebook che mostrano come utilizzare il modello.
Materiali per il corso "Learn PyTorch for Deep Learning: Zero to Mastery".
Un minuscolo motore autograd a valori scalari e una libreria di reti neurali sopra di esso con API simile a PyTorch
[๐ฅin aggiornamento ...] Bot di trading quantitativo AI automatico (distribuito completamente in locale) Piattaforma di ricerca sugli investimenti quantitativi basata sull'IA. ๐ documentazione online: https://ufund-me.github.io/Qbot โจ :news: qbot-mini: https://github.com/Charmve/iQuant
Benvenuti nel Llama Cookbook! Questa รจ la vostra guida di riferimento per la creazione con Llama: Introduzione all'inferenza, al fine-tuning e al RAG. Vi mostriamo anche come risolvere problemi end-to-end utilizzando la famiglia di modelli Llama e utilizzandoli su vari servizi provider.
Libro sul filtro di Kalman utilizzando Jupyter Notebook. Si concentra sulla costruzione dell'intuizione e dell'esperienza, non su dimostrazioni formali. Include filtri di Kalman, filtri di Kalman estesi, filtri di Kalman unscented, filtri particellari e altro ancora. Tutti gli esercizi includono soluzioni.
Inizia a creare agenti Fullstack utilizzando Gemini 2.5 e LangGraph
[WIP] Risorse per ingegneri AI. Contiene anche materiale di supporto per il libro AI Engineering (Chip Huyen, 2025)
๐ฟ Software gratuito che funziona alla grande, e che casualmente รจ Python open-source.
Codice di esempio e notebook per lโIA generativa su Google Cloud con la piattaforma Gemini
Questo progetto comprende i punti di conoscenza e le implementazioni di codice frequentemente testati nelle interviste di Machine Learning (Apprendimento Automatico), Deep Learning (Apprendimento Profondo) e NLP, ed รจ anche una conoscenza teorica fondamentale che un ingegnere algoritmico deve padroneggiare.
AISystem si riferisce principalmente ai sistemi di intelligenza artificiale, comprese le tecnologie di base dell'intero stack di intelligenza artificiale come chip di intelligenza artificiale, compilatori di intelligenza artificiale, framework di inferenza e addestramento di intelligenza artificiale
Questo curriculum open-source introduce i fondamenti del Model Context Protocol (MCP) attraverso esempi pratici e cross-language in .NET, Java, TypeScript, JavaScript, Rust e Python. Progettato per sviluppatori, si concentra su tecniche pratiche per la creazione di flussi di lavoro AI modulari, scalabili e sicuri, dalla configurazione della sessione all'orchestrazione dei servizi.
Una raccolta di varie architetture, modelli e suggerimenti di deep learning
Grounded SAM: Unire Grounding DINO con Segment Anything & Stable Diffusion & Recognize Anything - Rileva, segmenta e genera automaticamente tutto
ใTutorial di Deep Learning di Li Hongyiใ(Raccomandato dal professor Li Hongyi ๐, Apple Books ๐), Link per il download PDF: https://github.com/datawhalechina/leedl-tutorial/releases
Un'introduzione pratica alla tecnologia video: immagine, video, codec (av1, vp9, h265) e altro (codifica ffmpeg).
Corso gratuito di MLOps di DataTalks.Club. Registrati qui ๐๐ผ per ricevere aggiornamenti sulla prossima coorte
Questo repository contiene implementazioni e codice illustrativo per accompagnare le pubblicazioni di DeepMind.
API di riconoscimento vocale offline per Android, iOS, Raspberry Pi e server con Python, Java, C# e Node
Lo Scienziato AI: Verso la scoperta scientifica aperta completamente automatizzata ๐งโ๐ฌ
Impara l'ingegneria ML gratuitamente in 4 mesi! Registrati qui ๐๐ผ
Questo repository contiene il codice sorgente per l'articolo First Order Motion Model for Image Animation
Tutorial di Reinforcement Learning in Cinese (Libro dei Funghi ๐), indirizzo di lettura online: https://datawhalechina.github.io/easy-rl/
Tutorial sull'Elaborazione del Linguaggio Naturale per Ricercatori di Deep Learning
Script di deep learning all'avanguardia organizzati per modelli - facili da addestrare e distribuire con accuratezza e prestazioni riproducibili su infrastruttura di livello enterprise.
Una serie di notebook Jupyter che ti guidano attraverso i fondamenti del Machine Learning e del Deep Learning in Python utilizzando Scikit-Learn, Keras e TensorFlow 2.
Questo progetto รจ un tutorial sullo sviluppo di applicazioni per modelli di grandi dimensioni rivolto agli sviluppatori principianti. Indirizzo di lettura online: https://datawhalechina.github.io/llm-universe/
Implementazione dell'articolo - YOLOv7: Trainable bag-of-freebies stabilisce un nuovo stato dell'arte per i rilevatori di oggetti in tempo reale
Sintesi di immagini ad alta risoluzione con modelli di diffusione latente
Codice e modelli PyTorch per il metodo di apprendimento auto-supervisionato DINOv2.