#transfer-learning Repositórios
Descubra 56 repositórios ativos de código aberto no GitHub marcados com #transfer-learning, acumulando um total de 149,105 estrelas (uma média de 2,662 por projeto). O líder deste tópico é datawhalechina/leedl-tutorial, com 16,879 estrelas.
56 repositórios no total
"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
Aprendizado por transferência / adaptação de domínio / generalização de domínio / aprendizado multi-tarefa etc. Artigos, códigos, conjuntos de dados, aplicações, tutoriais.-Aprendizado por transferência
Código para o artigo "Explorando os Limites da Aprendizagem por Transferência com um Transformer Unificado de Texto para Texto"
Rotular seus próprios conjuntos de dados, treinar, avaliar, testar e implantar seus próprios algoritmos de inteligência artificial
Biblioteca de Aprendizagem por Transferência para Adaptação de Domínio, Adaptação de Tarefa e Generalização de Domínio
🔥🔥Biblioteca de Reconhecimento Facial de Alto Desempenho no PaddlePaddle e PyTorch🔥🔥
Uma biblioteca para aprendizado de transferência reutilizando partes de modelos do TensorFlow.
Coleção de modelos impressionantes de visão e linguagem para tarefas de visão
Implementação de Segnet, FCN, UNet, PSPNet e outros modelos no Keras.
Tutoriais de Jupyter Notebook sobre como resolver problemas do mundo real com Machine Learning e Deep Learning usando PyTorch. Tópicos: Detecção facial com Detectron 2, Detecção de anomalias em Séries Temporais com Autoencoders LSTM, Detecção de objetos com YOLO v5, Construa sua primeira Rede Neural, Previsão de Séries Temporais para casos diários de Coronavírus, Análise de Sentimentos com BER
Kashgari é um framework de Aprendizado por Transferência de PLN em nível de produção construído sobre o tf.keras para rotulagem de texto e classificação de texto, incluindo Word2Vec, BERT e GPT2 Language Embedding.
Biblioteca PyTorch de aprendizado profundo para previsão de séries temporais, classificação e detecção de anomalias (originalmente para previsão de inundações).
Muitos estudos demonstraram que o desempenho em aprendizado profundo é significativamente afetado pelo volume de dados de treinamento. O projeto MedicalNet fornece uma série de modelos pré-treinados 3D-ResNet e o código relativo.
Personalize o Segment Anything Model (SAM) com 1 shot em 10 segundos
Código para o artigo da TKDE "Aprendizagem auto-supervisionada em grafos: Contrastiva, generativa ou preditiva"
🛸 Use transformadores pré-treinados como BERT, XLNet e GPT-2 no spaCy
Crie, treine, otimize e execute modelos de visão computacional localmente, desde imagens brutas até inferência em tempo real. Código aberto, otimizado para Intel® XPU (CUDA também é compatível).
Coleção de métodos incríveis de adaptação em tempo de teste (domínio/lote/instância)
Uma lista abrangente de artigos incríveis de aprendizado contrastivo autossupervisionado.
TorchXRayVision: Uma biblioteca de conjuntos de dados e modelos de raios-X de tórax. Classificadores, segmentação e autoencoders.
Uma lista selecionada de recursos de PLN focada em redes Transformer, mecanismo de atenção, GPT, BERT, ChatGPT, LLMs e aprendizado por transferência.
Artigos ICCV 2023-2025: Descubra pesquisas de ponta da ICCV 2023-25, a principal conferência de visão computacional. Mantenha-se atualizado sobre o que há de mais recente em visão computacional e aprendizado profundo, com código incluído. ⭐ Apoie o desenvolvimento da inteligência visual!
Ferramenta de design molecular de IA para design de novo, reposicionamento de esqueleto, substituição de grupo R, design de ligantes e otimização de moléculas.
Gaze-LLE: Estimativa do Alvo do Olhar via Codificadores Aprendidos em Grande Escala (CVPR 2025, Destaque)
Uma lista curada de DATASETS, CODEBASES e PAPERS sobre Multi-Task Learning (MTL), da perspectiva de Machine Learning.
Fusão de Modelos em LLMs, MLLMs e Além: Métodos, Teorias, Aplicações e Oportunidades. ACM Computing Surveys, 2026.
[Prêmio de Jovem Cientista da MICCAI 2019] [Prêmio de Melhor Artigo da MedIA] Models Genesis: pré-treinamento autossupervisionado para imagens médicas 3D. Aprende representações transferíveis a partir de volumes de TC e RM não rotulados e, em seguida, é ajustado para tarefas posteriores de segmentação e classificação. Pesos para Keras e PyTorch incluídos.
Implementação em TensorFlow e PyTorch de "Meta-Transfer Learning for Few-Shot Learning" (CVPR2019)
O repositório principal para pesquisa e desenvolvimento de ponta em Respostas a Perguntas Multilíngues.
BiomedGPT: Um Modelo Fundamental Generalista de Visão-Linguagem para Diversas Tarefas Biomédicas
Prov-GigaPath: Um modelo fundacional de lâminas completas para patologia digital a partir de dados do mundo real
Ciclo de Vida Completo de um Projeto de Ciência de Dados
O código oficial para "One Fits All: Power General Time Series Analysis by Pretrained LM (NeurIPS 2023 Spotlight)"
Perguntas Frequentes
Qual é o repositório de #transfer-learning mais popular no GitHub?
O projeto de código aberto de #transfer-learning mais bem classificado no GitHub é datawhalechina/leedl-tutorial, com 16,879 estrelas. "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
Quais linguagens de programação são mais usadas nos repositórios de #transfer-learning?
Entre os projetos de #transfer-learning mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Jupyter Notebook.
Como é calculada a classificação dos repositórios de #transfer-learning?
Acompanhamos 56 repositórios ativos de código aberto marcados com #transfer-learning (com mais de 500 estrelas), totalizando 149,105 estrelas e uma média de 2,662 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.