Jupyter Notebook Репозитории
Всего репозиториев: 1,614
Отладка, мониторинг и визуализация для Python Machine Learning и Data Science
Официальная кодовая база, используемая для разработки Vision Transformer, SigLIP, MLP-Mixer, LiT и других.
Полный курс по изучению программирования и использования Bitcoin с команды
Репозиторий кода MIMIC: Код, разделённый исследовательским сообществом для семейства баз данных MIMIC
Книга_7_《Машинное обучение》 | Книга об ирисах: от сложения и вычитания к машинному обучению; критика и исправления приветствуются.
ИИ и машинное обучение с Kubeflow, Amazon EKS и SageMaker
Этот репозиторий представляет собой тщательно подобранную коллекцию практических проектов по data science, адаптированных для начинающих. Независимо от того, только ли вы начинаете свой путь в data science или хотите укрепить свои навыки, эти проекты предоставляют практический и интерактивный способ применения ваших знаний.
Этот репозиторий содержит код для обучения и оценки TRIBE v2, мультимодальной модели для предсказания реакции мозга
🔅 Shapash: Удобные для пользователя объяснимость и интерпретируемость для разработки надежных и прозрачных моделей машинного обучения
Все заметки и материалы для курса CS229: Машинное обучение Стэнфордского университета
Инструмент Python3 с открытым исходным кодом и МАЛЕНЬКИМИ моделями для распознавания макетов, таблиц, математических формул (LaTeX) и текста на изображениях с преобразованием их в формат Markdown. Бесплатная альтернатива Mathpix, обеспечивающая беспрепятственное преобразование визуального контента в текстовые представления. Поддерживается более 80 языков.
Узнайте, как проектировать, разрабатывать, развертывать и итерировать производственные ML-приложения.
Это репозиторий, созданный для помощи новичкам в машинном обучении или тем, кто готовится к изучению. (This repository is intended for helping those who are beginners in machine learning or preparing for study)
Массово-параллельное моделирование физики твердого тела на аппаратном обеспечении ускорителя.
[CVPR 2024] 4D Гауссово сплайсинг для рендеринга динамических сцен в реальном времени
Реализация Dreambooth (https://arxiv.org/abs/2208.12242) с помощью Textual Inversion (https://arxiv.org/abs/2208.01618) для Stable Diffusion (https://arxiv.org/abs/2112.10752). Настройки, ориентированные на обучение лиц, объектов и стилей.
Интеллектуальный многоязычный ИИ-инструмент для озвучивания/перевода видео - Linly-Dubbing — « ИИ — сила, языки — вне границ »
Репозиторий Jupyter notebook-уроков для преподавания курса «Глубокое обучение» в Амстердамском университете (MSc AI), осень 2023 г.
Автоматическая генерация визуализаций и инфографики с использованием больших языковых моделей
100 примеров глубокого обучения, глубокое обучение DL, классификация изображений, распознавание объектов, обнаружение объектов, обработка естественного языка NLP, классификация текста, TensorFlow, PyTorch
Репозиторий посвящен более 100 задачам упражнений по программированию на Python, которые обсуждаются, объясняются и решаются разными способами.
Бесплатные практические лаборатории по цифровой криминалистике для студентов и преподавателей
Проект с открытым исходным кодом, предназначенный для отслеживания и сегментации любых объектов в видео, автоматически или интерактивно. Основные используемые алгоритмы включают модель «Сегментируй что угодно» (Segment Anything Model, SAM) для сегментации ключевых кадров и «Связывание объектов с трансформерами» (Associating Objects with Transformers, AOT) для эффективного отслеживания и распространения.
Научитесь создавать своего ИИ-ассистента «Второй мозг» с помощью LLM, агентов, RAG, дообучения, LLMOps и методов ИИ-систем.
Официальный репозиторий "Eureka: Human-Level Reward Design via Coding Large Language Models" (ICLR 2024)
Процесс построения небольшого графа знаний о финансах (neo4j / python / cypher / KG)
Jupyter Notebooks, которые помогут вам начать работу с векторными базами данных Pinecone
Hands-On-Large-Language-Models (hands-on-llms) перевод на китайский, практическое изучение больших языковых моделей
Библиотека ИИ-агентов для обучения с подкреплением, готовая к производству, созданная командой прикладного обучения с подкреплением в Meta.
Охватывает данные для предобучения, токенизаторы, Transformer, MoE, распределённое обучение, законы масштабирования, инференс и выравнивание. 6 последовательных заданий по программированию для комплексного изучения LLM.