Jupyter Notebook Repository
1,614 repository in totale
Notebook Jupyter per il libro "Natural Language Processing with Transformers"
Data mining, Visione artificiale, Elaborazione del linguaggio naturale, Conoscenze sui concorsi per sistemi di raccomandazione, Codice, Idee
35 architetture di IA agentica di livello produttivo (Reflexion, LATS, GraphRAG, MemGPT, Voyager, BrowserAgent, ...) โ una libreria Python e un libro di testo eseguibile con supporto per molteplici provider LLM e una classifica di benchmark per 17 attivitร .
๐ฅ LeetCode per PyTorch โ esercitati a implementare softmax, attention, GPT-2 e altro da zero con correzione automatica istantanea. Basato su Jupyter, self-hosted o prova online.
Think DSP: Elaborazione del segnale digitale in Python, di Allen B. Downey.
Esempi di codice dal libro Web Scraping with Python http://shop.oreilly.com/product/0636920034391.do
Implementazione JAX del modello Whisper di OpenAI per un'accelerazione fino a 70 volte su TPU.
Che tu sia un principiante assoluto, che si tratti di applicazioni di progetto in CV, NLP, LLM, o di implementazione ingegeristica avanzata, troverai tutto in ยซTutorial pratico su PyTorchยป (Seconda edizione). Crediamo che con l'aiuto di questo libro, i lettori saranno in grado di padroneggiare facilmente l'uso di PyTorch e diventare eccellenti ingegneri di deep learning.
Tutorial per iniziare con PyTorch e TorchText per l'analisi del sentiment.
Solo con le basi di Python, costruisci il tuo robot di intelligenza embodied da zero; costruisci passo dopo passo VLA/OpenVLA/SmolVLA/Pi0 da zero, comprendi a fondo l'intelligenza embodied
Risorse tecniche per gli sviluppatori di IA per costruire applicazioni, agenti e sistemi utilizzando Oracle AI Database e i servizi OCI
Fondamenti di Machine Learning: Algebra Lineare, Calcolo, Statistica e Informatica
Solo basi di Python necessarie, costruisci modelli linguistici di grandi dimensioni da zero; Costruisci gradualmente GLM4\Llama3\RWKV6 da zero, comprendendo a fondo i principi dei grandi modelli.
Appunti, incarichi di programmazione e quiz di tutti i corsi della specializzazione Deep Learning di Coursera offerta da deeplearning.ai: (i) Reti neurali e Deep Learning; (ii) Miglioramento delle reti neurali profonde: tuning degli iperparametri, regolarizzazione e ottimizzazione; (iii) Strutturazione di progetti di Machine Learning; (iv) Reti neurali convoluzionali; (v) Modelli di sequenza
https://www.youtube.com/channel/UC34rW-HtPJulxr5wp2Xa04w?sub_confirmation=1
Una libreria veloce per AutoML e tuning. Unisciti al nostro Discord: https://discord.gg/Cppx2vSPVP.
Condivisione di conoscenze AI Infra e pratica di codice: PyTorch, vLLM/SGLang, introduzione al framework slime/vime โก๏ธ, accelerazione delle prestazioni ๐, basi dei modelli grandi ๐ง , software e hardware AI ๐ง, ecc.
Implementazioni in Python puro di algoritmi base di machine learning
Notebook Python con esempi di ML e deep learning con Azure Machine Learning Python SDK | Microsoft
Un RAG Agentic modulare costruito con LangGraph โ impara gli agenti di Generazione Aumentata dalla Ricerca in pochi minuti.
Materiali per il corso sui modelli di diffusione di Hugging Face
Impara l'Agentic AI utilizzando il Dapr Agentic Cloud Ascent (DACA) Design Pattern e le tecnologie Agent-Native Cloud: OpenAI Agents SDK, Memory, MCP, A2A, Knowledge Graphs, Dapr, Rancher Desktop e Kubernetes.
Una Collezione di Cheatsheets, Libri, Domande e Portfolio Per la Preparazione all'Intervista DS/ML
Un'implementazione pulita basata su AlphaZero per qualsiasi gioco in qualsiasi framework + tutorial + Othello/Gobang/TicTacToe/Connect4 e altro
Questo progetto riproduce il libro Dive Into Deep Learning (https://d2l.ai/), adattando il codice da MXNet a PyTorch.
OmniGen: Generazione Unificata di Immagini. https://arxiv.org/pdf/2409.11340
Mobile ALOHA: Apprendimento della manipolazione mobile bimanuale con teleoperazione a basso costo per tutto il corpo
Hunyuan-DiT: Un potente Transformer a diffusione multi-risoluzione con comprensione dettagliata del cinese
Showcase dell'IA generativa di MongoDB: una raccolta completa di esempi e applicazioni dimostrative che comprende la generazione aumentata dal recupero (RAG), gli agenti di IA e i casi d'uso specifici del settore.
Flussi di lavoro di riferimento per l'IA generativa ottimizzati per un'architettura di microservizi e un'infrastruttura accelerate.
Costruisci un LLM moderno da zero. Ogni riga commentata. Spiegato come se avessimo cinque anni.