#machine-learning Репозитории
Всего репозиториев: 2,070
Численные решатели дифференциальных уравнений в JAX. С поддержкой автоматического дифференцирования и GPU. https://docs.kidger.site/diffrax/
Алгоритмы машинного обучения, реализованные и выведенные из первых принципов в Jupyter Notebooks и NumPy
Диффузионные модели в медицинской визуализации (Опубликовано в журнале Medical Image Analysis)
Глубокое и онлайн обучение с использованием спайковых нейронных сетей на Python
Python-инструментарий/библиотека для ориентированного на реальность машинного/глубокого обучения и дата-майнинга на частично наблюдаемых временных рядах, с более чем 50 моделями нейронных сетей SOTA для задач научного анализа (импутация, классификация, кластеризация, прогнозирование, обнаружение аномалий, очистка) на неполных промышленных нерегулярно выборочных многомерных ВР с пропущенными значениями NaN
.NET for Apache® Spark™ делает Apache Spark™ легкодоступным для разработчиков .NET.
Легкая библиотека для инференса файлов ONNX, написанная на C++. Она может запускать Stable Diffusion XL 1.0 на RPI Zero 2 (или в 298 МБ ОЗУ), а также Mistral 7B на настольных компьютерах и серверах. Поддерживаемые архитектуры: ARM, x86, WASM, RISC-V. Ускорение с помощью XNNPACK. Доступны привязки для Python, C# и JS (WASM).
🤖 Самый полный список ИИ-агентов, фреймворков и инструментов в 2026 году. 300+ ресурсов · 20+ категорий · Обновляется ежемесячно.
Руководство с решениями упражнений по методам машинного обучения, адрес для онлайн-чтения: https://datawhalechina.github.io/statistical-learning-method-solutions-manual
Локальный набор инструментов для извлечения неструктурированных данных, преобразования в Markdown и бенчмаркинга без OCR. (https://idp-leaderboard.org/)
Node.js CLI, использующая модели Ollama и LM Studio (Llava, Gemma, Llama и т. д.) для интеллектуального переименования файлов по их содержимому
Этот ресурс поддерживает статьи автора по обработке изображений на Python, опубликованные на CSDN, в основном посвященные реализации алгоритмов обработки изображений, распознавания изображений, классификации изображений и т. д. на Python. Надеемся, что этот ресурс будет вам полезен, и будем вместе усердно работать.
Пакет Python для байесовского прогнозирования с объектно-ориентированным дизайном и вероятностными моделями под капотом.
RF и фреймворк для обратной разработки для всех. Подписывайтесь и ставьте ★, чтобы показать свою поддержку!
Концептуальное расширение Jupyter, которое преобразует английские запросы в соответствующий код Python
Семантическая сегментация аэро- и спутниковых снимков. Извлекает такие объекты, как: здания, парковки, дороги, водоемы, облака
Сотрудничайте и маркируйте любые типы данных, изображений, текстов или документов в простом веб-интерфейсе или настольном приложении.
:cloud: :rocket: :bar_chart: :chart_with_upwards_trend: Оценка передовых достижений в области ИИ
Все о федеративном обучении, включая исследовательские работы, книги, коды, учебные пособия, видео и многое другое
Библиотека для обучения моделей машинного обучения с обеспечением конфиденциальности данных для обучения
Коллекция из более чем 1000 обзорных статей по обработке естественного языка (NLP) и машинному обучению (ML).
Real-World Masked Face Dataset, Набор данных лиц в масках в реальном мире
Сообществом управляемая коллекция фреймворков, проектов и ресурсов RAG (Retrieval-Augmented Generation). Внесите свой вклад и изучите развивающуюся экосистему RAG.
Комплексная и своевременная академическая информация по федеративному обучению (статьи, фреймворки, наборы данных, учебные пособия, семинары)
Создание байесовских сетей, графических моделей, тензоров, технических фреймворков и иллюстраций в LaTeX.
Пакет Python для расширения официального PyTorch, который может легко обеспечить производительность на платформе Intel
Python-обёртка для плотных (полносвязных) CRF Филиппа Крёэнбюля с гауссовыми граничными потенциалами.
prompt2model - Создание развертываемых моделей из инструкций на естественном языке
Humanoid-Gym: Обучение с подкреплением для гуманоидного робота с переносом Sim2Real без примеров https://arxiv.org/abs/2404.05695
Краткое, дружелюбное для начинающих введение в основные идеи линейной алгебры.
Код Python для воспроизведения иллюстраций из книги "The Hundred-Page Machine Learning Book".
Глобальные отпечатки зданий, полученные с помощью спутниковых снимков
[ICLR 2024] Официальная реализация "TimeMixer: Decomposable Multiscale Mixing for Time Series Forecasting"
Approaching (Almost) Any Machine Learning Problem китайская версия, адрес онлайн-документации: https://ytzfhqs.github.io/AAAMLP-CN/
Виртуальное хранилище признаков. Превратите существующую инфраструктуру данных в хранилище признаков.