#mlops Repository
227 repository in totale
Rilevamento semantico congiunto e controllo della diffusione degli attacchi di phishing sui social media tramite modellazione basata su LLama
Un'infrastruttura aperta per democratizzare e decentralizzare lo sviluppo della superintelligenza per l'umanitร .
CodeProject.AI Server รจ un servizio autonomo che gli sviluppatori di software possono includere e distribuire con le proprie applicazioni al fine di arricchire le loro app con la potenza dell'AI.
๐ Il framework MLOps completo in 7 passaggi | Impara MLE e MLOps gratuitamente progettando, costruendo e distribuendo un sistema batch ML end-to-end ~ codice sorgente + 2,5 ore di materiale di lettura e video
Una raccolta dei repository Github piรน importanti per professionisti di ML, AI e Data Science
๐ง Motorhead รจ un server per il recupero di memoria e informazioni per LLM.
Un framework di serving per modelli ML ad alte prestazioni, offre batching dinamico e pipeline CPU/GPU per sfruttare appieno la tua macchina di calcolo
Dai il via alla tua iniziativa LLMOps con un pacchetto Python flessibile, robusto e produttivo.
Codice per il corso online "Distribuzione di Modelli di Machine Learning"
Addestra e distribuisci un'API REST ML per prevedere i prezzi delle criptovalute, in 10 passaggi
Estensione del database vettoriale PostgreSQL per la creazione di applicazioni AI
Neum AI รจ un framework di prim'ordine per gestire la creazione e la sincronizzazione di embedding vettoriali su larga scala.
[MLSys'25] QServe: Quantizzazione W4A8KV4 e co-progettazione del sistema per un serving efficiente di LLM; [MLSys'25] LServe: Serving efficiente di LLM per sequenze lunghe con attenzione sparsa unificata
Distribuisci qualsiasi modello AI, agente, database, RAG e pipeline localmente o da remoto in pochi minuti
Formato universale di scambio e serializzazione di modelli per foreste di alberi decisionali
Libreria Python minimale per connettersi a LLM (OpenAI, Anthropic, Google, Groq, Reka, Together, AI21, Cohere, Aleph Alpha, HuggingfaceHub), con un benchmark integrato delle prestazioni del modello.
NVIDIA Data Center GPU Manager (DCGM) รจ un progetto per la raccolta di dati di telemetria e la misurazione dello stato delle GPU NVIDIA
Esercizi e materiale integrativo per il corso di machine learning operations presso la DTU.
Notebook, frammenti di codice, app di esempio e altre risorse che dimostrano come utilizzare, sviluppare e gestire flussi di lavoro di machine learning e IA generativa utilizzando Google Cloud Vertex AI.
Scopri come creare, sviluppare e mantenere una codebase MLOps all'avanguardia
Strumenti open source per l'annotazione e l'etichettatura dei dati
Benvenuti nel repository ufficiale di Batch18! ๐๐ฉโ๐ป Qui troverete una raccolta organizzata di appunti di lezione, compiti e frammenti di codice generati durante le nostre sessioni.
Questo repository fornisce uno stack personalizzabile per avviare nuovi progetti ML su Databricks che seguono le best practice di produzione fin da subito.
Repository modello per costruire progetti PyTorch da sorgente su qualsiasi versione di PyTorch/CUDA/cuDNN.
Flussi di lavoro end-to-end di Google Cloud Platform Vertex AI per operazioni di machine learning
BharatMLStack รจ uno stack di infrastruttura di machine learning open-source end-to-end costruito da Meesho per supportare carichi di lavoro ML in tempo reale e batch su scala Bharat
Template Cookiecutter per progetti FastAPI utilizzando: Machine Learning, uv, GitHub Actions e Pytests
Una roadmap completa di ML (Machine Learning) Full Stack prevede l'apprendimento delle competenze e delle tecnologie necessarie per diventare esperti in tutti gli aspetti del machine learning, inclusa la raccolta e la preelaborazione dei dati, lo sviluppo del modello, il deployment e la manutenzione.
Ollama per modelli ML classici. Compilatore AOT che converte modelli XGBoost, LightGBM, scikit-learn, CatBoost e ONNX in codice di inferenza nativo C99. Un comando per caricare, un comando per servire. 336x piรน veloce dell'inferenza Python.
Per registrare e recuperare metadati associati ai flussi di lavoro di sviluppatori ML e data scientist.
Backend Triton che consente di implementare pre-elaborazione, post-elaborazione e altre logiche in Python.
Corso di Machine Learning Serverless per la creazione di servizi di previsione abilitati all'IA da modelli e funzionalitร
Passa rapidamente dal prototipo di data science alla pipeline. Cattura, analizza e trasforma notebook disordinati in pipeline di dati con solo due righe di codice.