Jupyter Notebook Repositórios
1,614 repositórios no total
Jupyter notebooks para as amostras de código do livro "Deep Learning with Python"
Qwen3-VL é a série de modelos de linguagem grande multimodal desenvolvida pela equipe Qwen, Alibaba Cloud.
O repositório fornece código para executar inferência com o Meta Segment Anything Model 2 (SAM 2), links para baixar os pontos de verificação do modelo treinado e notebooks de exemplo que mostram como usar o modelo.
Materiais para o curso Aprenda PyTorch para Deep Learning: Do Zero ao Mestre.
Um pequeno motor de autograd com valor escalar e uma biblioteca de rede neural construída sobre ele com uma API semelhante à do PyTorch
[🔥atualizando ...] Robô de Negociação Quantitativa Automática com IA (implantação totalmente local) Plataforma de Pesquisa de Investimento Quantitativa Alimentada por IA. 📃 documentação online: https://ufund-me.github.io/Qbot ✨ :notícias: qbot-mini: https://github.com/Charmve/iQuant
Bem-vindo ao Llama Cookbook! Este é o seu guia essencial para Construir com Llama: Começando com Inferência, Ajuste Fino (Fine-Tuning) e RAG. Também mostramos como resolver problemas de ponta a ponta usando a família de modelos Llama e como utilizá-los em vários serviços de provedores.
Livro Filtro de Kalman usando Jupyter Notebook. Foca em construir intuição e experiência, não em provas formais. Inclui filtros de Kalman, filtros de Kalman estendidos, filtros de Kalman sem cheiro, filtros de partículas e mais. Todos os exercícios incluem soluções.
Comece a criar agentes Fullstack usando Gemini 2.5 e LangGraph
[EM ANDAMENTO] Recursos para engenheiros de IA. Também contém materiais de apoio para o livro Engenharia de IA (Chip Huyen, 2025)
💿 Software gratuito que funciona muito bem e que, por acaso, também é Python de código aberto.
Código de exemplo e notebooks para IA generativa no Google Cloud com a plataforma Gemini
Este projeto abrange os pontos de conhecimento e implementações de código frequentemente testados em entrevistas de Machine Learning, Deep Learning e PNL, sendo também um conhecimento teórico fundamental que todo engenheiro de algoritmos deve dominar.
AISystem refere-se principalmente a sistemas de IA, incluindo tecnologias subjacentes de pilha completa de IA, como chips de IA, compiladores de IA, e frameworks de inferência e treinamento de IA.
Este currículo de código aberto apresenta os fundamentos do Model Context Protocol (MCP) através de exemplos práticos e multilíngues em .NET, Java, TypeScript, JavaScript, Rust e Python. Projetado para desenvolvedores, ele se concentra em técnicas práticas para construir fluxos de trabalho de IA modulares, escaláveis e seguros, desde a configuração da sessão até a orquestração de serviços.
Grounded SAM: Casando Grounding DINO com Segment Anything & Stable Diffusion & Recognize Anything - Detecta , Segmenta e Gera Automaticamente Qualquer Coisa
"Li Hongyi Deep Learning Tutorial" (Recomendado pelo Professor Li Hongyi 👍, Livro da Apple 🍎), endereço para download em PDF: https://github.com/datawhalechina/leedl-tutorial/releases
Uma introdução prática à tecnologia de vídeo: imagem, vídeo, codec (av1, vp9, h265) e mais (codificação ffmpeg).
Curso gratuito de MLOps da DataTalks.Club. Registre-se aqui 👇🏼 para ser notificado sobre a próxima turma
Este repositório contém implementações e código ilustrativo para acompanhar as publicações da DeepMind
API de reconhecimento de fala offline para Android, iOS, Raspberry Pi e servidores com Python, Java, C# e Node
O Cientista de IA: Rumo à Descoberta Científica Totalmente Automatizada e de Final Aberto 🧑🔬
Aprenda engenharia de ML gratuitamente em 4 meses! Registre-se aqui 👇🏼
Este repositório contém o código-fonte para o artigo Modelo de Movimento de Primeira Ordem para Animação de Imagens
Tutorial de Aprendizagem por Reforço em Chinês (Livro do Cogumelo 🍄), endereço para leitura online: https://datawhalechina.github.io/easy-rl/
Tutorial de Processamento de Linguagem Natural para Pesquisadores de Aprendizagem Profunda
Scripts de Deep Learning de última geração organizados por modelos - fáceis de treinar e implantar com precisão e desempenho reprodutíveis em infraestrutura de nível empresarial.
Uma série de notebooks Jupyter que o guiam pelos fundamentos de Machine Learning e Deep Learning em Python usando Scikit-Learn, Keras e TensorFlow 2.
Este projeto é um tutorial de desenvolvimento de aplicações de Modelos de Linguagem Grande (LLM) focado em desenvolvedores iniciantes. O endereço para leitura online é: https://datawhalechina.github.io/llm-universe/
Implementação do artigo - YOLOv7: Conjunto treinável de 'bag-of-freebies' estabelece novo estado da arte para detectores de objetos em tempo real
Código e modelos PyTorch para o método de aprendizado autossupervisionado DINOv2.