#mlops Repositórios
227 repositórios no total
Detecção Semântica Conjunta e Controle de Disseminação de Ataques de Phishing em Mídias Sociais por Modelagem Baseada em LLama
Uma infraestrutura aberta para democratizar e descentralizar o desenvolvimento da superinteligência para a humanidade.
O CodeProject.AI Server é um serviço autônomo que os desenvolvedores de software podem incluir e distribuir com seus aplicativos para aumentar o poder da IA em seus apps.
🌀 𝗢 𝗙𝗿𝗮𝗺𝗲𝘄𝗼𝗿𝗸 𝗠𝗟𝗢𝗽𝘀 𝗱𝗲 𝟳 𝗘𝘁𝗮𝗽𝗮𝘀 𝗖𝗼𝗺𝗽𝗹𝗲𝘁𝗼 | 𝗔𝗽𝗿𝗲𝗻𝗱𝗮 𝗠𝗟𝗘 & 𝗠𝗟𝗢𝗽𝘀 gratuitamente projetando, construindo e implantando um sistema de ML batch ponta a ponta ~ 𝘤𝘰𝘥𝘪𝘨𝘰 𝘴𝘰𝘶𝘳𝘤𝘦 + 2,5 𝘩𝘰𝘳𝘢𝘴 𝘥𝘦 𝘮𝘢𝘵𝘦𝘳𝘪𝘢𝘪𝘴 𝘥𝘦 𝘭𝘦𝘪𝘵𝘶𝘳𝘢 𝘦 𝘷𝘪́𝘥𝘦𝘰
Uma coleção dos repositórios Github mais importantes para profissionais de ML, IA e ciência de dados
Um framework de serviço de modelo de ML de alto desempenho, oferece agrupamento dinâmico (dynamic batching) e pipelines de CPU/GPU para explorar totalmente sua máquina de computação
Dê o pontapé inicial em sua iniciativa de LLMOps com um pacote Python flexível, robusto e produtivo.
Código para o curso online "Implantação de Modelos de Machine Learning"
Treine e Implante uma API REST de ML para prever preços de criptomoedas, em 10 passos
Extensão de banco de dados vetorial do PostgreSQL para construção de aplicações de IA
Neum AI é um framework de ponta para gerenciar a criação e sincronização de embeddings vetoriais em grande escala.
Materiais para o curso Essenciais de Engenharia de LLM
[MLSys'25] QServe: Quantização W4A8KV4 e Co-design de Sistema para Servir LLM de Forma Eficiente; [MLSys'25] LServe: Servir LLM de Sequência Longa de Forma Eficiente com Atenção Esparsa Unificada
Implante qualquer modelo de IA, agente, banco de dados, RAG e pipeline localmente ou remotamente em minutos
Formato universal de troca de modelos e serialização para florestas de árvores de decisão
Biblioteca Python mínima para conectar-se a LLMs (OpenAI, Anthropic, Google, Groq, Reka, Together, AI21, Cohere, Aleph Alpha, HuggingfaceHub), com um benchmark de desempenho de modelo integrado.
O NVIDIA Data Center GPU Manager (DCGM) é um projeto para coletar telemetria e medir a saúde das GPUs NVIDIA
Exercícios e material complementar para o curso de operações de aprendizado de máquina na DTU.
Cadernos, amostras de código, aplicativos de exemplo e outros recursos que demonstram como usar, desenvolver e gerenciar fluxos de trabalho de aprendizado de máquina e IA generativa usando o Vertex AI do Google Cloud.
Aprenda a criar, desenvolver e manter uma base de código MLOps de última geração
Ferramentas de Anotação e Rotulagem de Dados de Código Aberto
Bem-vindo ao repositório oficial do Batch18! 📚👩💻 Aqui você encontrará uma coleção organizada de anotações de aula, tarefas e trechos de código gerados durante nossas sessões.
Este repositório oferece uma pilha personalizável para iniciar novos projetos de ML no Databricks que seguem as melhores práticas de produção prontas para uso.
Repositório de modelo para construir projetos PyTorch a partir do código-fonte em qualquer versão de PyTorch/CUDA/cuDNN.
Fluxos de trabalho de ponta a ponta do Vertex AI do Google Cloud Platform para operações de aprendizado de máquina
BharatMLStack é uma pilha de infraestrutura de aprendizado de máquina (ML) de código aberto e ponta a ponta, construída na Meesho para suportar cargas de trabalho de ML em tempo real e em lote na escala Bharat.
Modelo Cookiecutter para projetos FastAPI usando: Machine Learning, uv, Github Actions e Pytests
Um Roteiro Completo de ML (Aprendizado de Máquina) Full Stack envolve aprender as habilidades e tecnologias necessárias para se tornar proficiente em todos os aspectos do aprendizado de máquina, incluindo coleta e pré-processamento de dados, desenvolvimento, implantação e manutenção de modelos.
Ollama para modelos ML clássicos. Compilador AOT que transforma modelos XGBoost, LightGBM, scikit-learn, CatBoost e ONNX em código de inferência nativo C99. Um comando para carregar, um comando para servir. 336x mais rápido que inferência em Python.
Para gravar e recuperar metadados associados aos fluxos de trabalho de desenvolvedores de ML e cientistas de dados.
Backend Triton que permite implementar pré-processamento, pós-processamento e outras lógicas em Python.
Curso de Machine Learning Serverless para construir Serviços de Previsão habilitados para IA a partir de modelos e recursos
Aja rapidamente do protótipo de ciência de dados para o pipeline. Capture, analise e transforme notebooks desorganizados em pipelines de dados com apenas duas linhas de código.