#feature-extraction 저장소
#feature-extraction 태그가 지정된 GitHub의 활성 오픈 소스 저장소 45개를 확인해 보세요. 총 90,757개의 스타를 획득했으며 프로젝트당 평균 2,016개입니다. 이 주제를 이끄는 저장소는 13,560개의 스타를 받은 facebookresearch/dinov2입니다.
저장소 총 45개
Kats, 시계열 데이터를 분석하는 도구로, 핵심 통계 및 특성 이해, 변화점 및 이상 탐지, 미래 추세 예측까지 시계열 분석을 수행하기 위한 가볍고 사용하기 쉬우며 일반화 가능하고 확장 가능한 프레임워크입니다.
이 책이 주로 대상으로 하는 대학원생 및 구직자 여러분께서 이 책을 읽고 혜택을 얻으실 것이라고 믿습니다. 하지만 가장 경험이 많은 연구자들조차 이 책을 흥미롭게 여길 것이라고 희망합니다.
딥 러닝과 머신 러닝 주식은 장기 및 단기 투자자와 트레이더 모두에게 유망한 기회를 나타냅니다.
2D 및 3D 이미지와 이진 마스크에서 Radiomics 기능을 추출하기 위한 오픈 소스 Python 패키지. 지원: https://discourse.slicer.org/c/community/radiomics
ProtTrans는 단백질을 위한 최첨단 사전 훈련 언어 모델을 제공합니다. ProtTrans는 Transformers 모델을 사용하여 Summit의 수천 개의 GPU와 수백 개의 Google TPU에서 훈련되었습니다.
MALLET은 텍스트에 대한 통계적 자연어 처리, 문서 분류, 클러스터링, 토픽 모델링, 정보 추출 및 기타 머신러닝 애플리케이션을 위한 Java 기반 패키지입니다.
:speech_balloon: SpeechPy - 음성 처리 및 인식을 위한 라이브러리: http://speechpy.readthedocs.io/en/latest/
얼굴 인식 앱; 얼굴 라이브니스 감지; 얼굴 감지; 얼굴 정렬; 얼굴 식별 && 얼굴 확인 && 얼굴 비교; 얼굴 매칭; 얼굴 추적; 얼굴 표정 && 얼굴 안티 스푸핑; 얼굴 속성 && 얼굴 나이; 얼굴 변환; 얼굴 안티 스푸핑; 얼굴 검색; 얼굴 인식
특징 공학은 도메인 지식을 사용하여 데이터 마이닝 기법을 통해 원시 데이터에서 특징을 추출하는 과정입니다. 이러한 특징은 머신 러닝 알고리즘의 성능을 향상시키는 데 사용될 수 있습니다. 특징 공학은 응용 머신 러닝 자체로 간주될 수 있습니다.
고급 기능 엔지니어링 전략을 사용하여 데이터 세트에서 최상의 기능을 단 한 줄의 코드로 선택하십시오. Ram Seshadri가 만들었습니다. 협력자 환영.
여러 GPU를 사용하여 원시 비디오에서 비디오 기능을 추출합니다. RAFT 흐름 프레임과 S3D, I3D, R(2+1)D, VGGish, CLIP 및 TIMM 모델을 지원합니다.
ACG2vec (Anime Comics Games to vector)는 ACG와 딥러닝을 결합한 놀이터를 만드는 데 전념하고 있습니다. (텍스트 의미 검색, 이미지 기반 이미지 검색, 의미 기반 이미지 검색, 이미지 초해상도, 추천 시스템)
Desbordante는 다양한 알고리즘을 사용하여 데이터에서 여러 가지 패턴을 발견할 수 있는 고성능 데이터 프로파일러입니다. 또한 이러한 알고리즘을 사용해 데이터 정제 시나리오를 실행할 수도 있습니다. Desbordante는 콘솔 버전과 사용하기 쉬운 웹 애플리케이션을 제공합니다.
자주 묻는 질문
GitHub에서 가장 인기 있는 #feature-extraction 저장소는 무엇인가요?
GitHub에서 가장 높은 순위의 오픈 소스 #feature-extraction 프로젝트는 13,560개의 스타를 받은 facebookresearch/dinov2입니다. DINOv2 자체 지도 학습 방법론을 위한 PyTorch 코드 및 모델.
#feature-extraction 저장소에서 가장 많이 사용되는 프로그래밍 언어는 무엇인가요?
GitHub에서 순위가 가장 높은 #feature-extraction 프로젝트 중 가장 일반적으로 사용되는 프로그래밍 언어는 Python, Jupyter Notebook, C++, TypeScript입니다.
#feature-extraction 저장소 순위는 어떻게 계산되나요?
#feature-extraction 태그가 지정된 활성 오픈 소스 저장소(45개, 스타 500개 이상)를 추적하고 있습니다. 총 스타 수는 90,757개이며 저장소당 평균 2,016개입니다. 순위는 GitHub API를 통해 매일 업데이트됩니다.