deep-learning

Mustergültiger Audiocodec mit 90-fachem Kompressionsfaktor. Unterstützt Mono-/Stereo-Audio mit 44,1 kHz, 24 kHz und 16 kHz.

Eine Ressourcensaummlung zur Verbesserung von Bildern bei schwachem Licht

Leitfaden zur Verwendung vortrainierter großer Sprachmodelle für Quellcode

Eine kuratierte Liste von Data-Mining-Papern zur Betrugserkennung.

PPL Quantization Tool (PPQ) ist ein leistungsstarkes Offline-Tool zur Quantisierung neuronaler Netze.

:art: In PyTorch implementierte Modelle, Datensätze und Loss-Funktionen für die semantische Segmentierung.

Algorithmen zur Textklassifikation: Eine Übersicht

Ungefähre Liste meiner bevorzugten Deep-Learning-Ressourcen, nützlich zum Wiederholen von Themen oder als Referenz. Ich habe alle dort aufgeführten Inhalte sorgfältig durchgearbeitet. – Guillaume Chevalier

Interpretierbarkeit und Erklärbarkeit von Daten und Machine-Learning-Modellen

Einige großartige KI-bezogene Bücher und PDFs zum Lernen und Herunterladen, einschließlich einiger Playground-Modelle zum Üben

Offizielle Implementierung des RAVE-Modells: Ein Realtime Audio Variational autoEncoder

Deep-Learning- und Machine-Learning-Aktien stellen vielversprechende Möglichkeiten für langfristige und kurzfristige Investoren und Trader dar.

Die 200 beliebtesten Deep-Learning-GitHub-Repositories sortiert nach Sternen

Leitfaden, um 2026 Visual-SLAM-Entwickler zu werden

Forschung und Anwendung von Technologien wie natürliche Sprachverarbeitung, Wissensgraphen, Dialogsystemen und großen Sprachmodellen.

FSL-Mate: Eine Sammlung von Ressourcen für Few-Shot Learning (FSL).

Neuartige Deep-Learning-Forschungsarbeiten mit PaddlePaddle

DL-Kurs, gemeinsam entwickelt von YSDA, HSE und Skoltech

Vokal-Entferner mittels Deep Neural Networks

Maximale Update-Parametrisierung (µP)

Sammlung von AIOps-Lernmaterialien. Willkommen beim Vervollständigen dieses Repositories und Stern vergeben.

Python AutoML für Handelssysteme und Sportwetten

[PVLDB 2024 Best Paper Nomination] TFB: Für umfassendes und fairen Benchmarking von Methoden zur Zeitreihenvorhersage

Open-Source-Tools für die computergestützte Pathologie – Nature BME

Forschungsarbeiten zum Vortraining und selbstüberwachten Lernen bei Graph Neural Networks (GNNs).

Eine leichtgewichtige Bibliothek für PyTorch-Trainingstools und -dienstprogramme

Kuration synthetischer Daten für Post-Training und strukturierte Datenextraktion

Eine End-to-End-Bibliothek zum Bearbeiten und Rendern von Bewegungen von 3D-Charakteren mit Deep Learning [SIGGRAPH 2020]

Beweise, Fallstudien, Konzeptergänzungen und Erklärungen von Literaturhinweisen für „Einführung in die Machine-Learning-Theorie“ (Schatzkiste-Buch)

Eine Liste von ICs und IPs für KI, Machine Learning und Deep Learning.