keras

Visualisierer für neuronale Netze, Deep Learning und Machine Learning-Modelle

:zap: Eine schnelle, erweiterbare Fortschrittsanzeige für Python und CLI.

Interaktives Deep-Learning-Buch mit Multi-Framework-Code, Mathematik und Diskussionen. Wird an 500 Universitäten in 70 Ländern eingesetzt, darunter Stanford, MIT, Harvard und Cambridge.

Data Science Python-Notebooks: Deep Learning (TensorFlow, Theano, Caffe, Keras), scikit-learn, Kaggle, Big Data (Spark, Hadoop MapReduce, HDFS), matplotlib, pandas, NumPy, SciPy, Python-Grundlagen, AWS und diverse Befehlszeilen.

Mask R-CNN für Objekterkennung und Instanzsegmentierung in Keras und TensorFlow

ncnn ist ein für mobile Plattformen optimiertes, leistungsstarkes Inferenz-Framework für neuronale Netze

🏆 Eine gerankte Liste von beeindruckenden Python-Bibliotheken für Maschinelles Lernen. Wöchentlich aktualisiert.

Offener Standard für Maschinelles-Lernen-Interoperabilität

Ein neuronales Netzwerk, das einen Design-Entwurf in eine statische Website umwandelt.

Lernpfad für Künstliche Intelligenz mit fast 200 Praxisfällen und Projekten, kostenlosen Begleitmaterialien, Einstieg ohne Vorkenntnisse und Berufspraxis! Umfasst beliebte Bereiche wie Python, Mathematik, maschinelles Lernen, Datenanalyse, Deep Learning, Computer Vision, natürliche Sprachverarbeitung (NLP) und mehr.

Die AI-Entwicklerplattform. Nutzen Sie Weights & Biases zum Trainieren und Fine-Tuning von Modellen sowie zur Verwaltung von der Experimentierung bis zur Produktion.

AutoML-Bibliothek für Deep Learning

Ein auf Deep Learning basierendes chinesisches Spracherkennungssystem

Ein Kurs zum Thema Reinforcement Learning in der Praxis

KI-Aktienhändler: Eine All-in-One-Plattform vom Lernen und Simulieren bis zum Live-Trading. Beinhaltet Aktienwissen, Strategiebeispiele, große Sprachmodelle, Faktorextraktion, traditionelle Strategien, maschinelles Lernen, Deep Learning, Reinforcement Learning, Graphennetzwerke, Hochfrequenzhandel, C++-Bereitstellung und JoinQuant-Beispielcode zum einfachen Lernen, Simulieren und Live-Handeln.

Richten Sie Ihre Deep-Learning-Umgebung in Sekundenschnelle ein und passen Sie sie an.

MMdnn ist eine Reihe von Tools zur Unterstützung der Interoperabilität zwischen verschiedenen Deep-Learning-Frameworks. Z. B. Modellkonvertierung und -visualisierung. Konvertieren Sie Modelle zwischen Caffe, Keras, MXNet, Tensorflow, CNTK, PyTorch Onnx und CoreML.

T81-558: Keras – Anwendungen von Deep Neural Networks an der Washington University in St. Louis

Tools zum Entwerfen oder Visualisieren der Architektur neuronaler Netze.

Keras-Modell zur Generierung von HTML-Code aus handgezeichneten Website-Mockups. Implementiert eine Bildbeschreibungsarchitektur für gezeichnete Quellbilder.

Unet für die Bildsegmentierung

Segmentierungsmodelle mit vortrainierten Backbones. Keras und TensorFlow Keras.

Ein Repository zum Speichern von Modellen, die zwischen verschiedenen Frameworks konvertiert wurden. Unterstützte Frameworks sind TensorFlow, PyTorch, ONNX, OpenVINO, TFJS, TFTRT, TensorFlowLite (Float32/16/INT8), EdgeTPU, CoreML.

Eine saubere Implementierung basierend auf AlphaZero für jedes Spiel in jedem Framework + Tutorial + Othello/Gobang/TicTacToe/Connect4 und mehr

In diesem Repository teile ich nützliche Notizen und Referenzen zur Bereitstellung von Modellen für Deep Learning in der Produktion.

Modellzusammenfassung in PyTorch, ähnlich wie `model.summary()` in Keras

Eine umfassende Liste von Deep Learning-, Künstliche Intelligenz- und Machine Learning-Tutorials – schnell expandierend in Bereiche wie KI, Deep Learning, Maschinelles Sehen, NLP und branchenspezifische Bereiche wie Klima, Energie, Automobil, Einzelhandel, Pharma, Medizin, Gesundheitswesen, Politik, Ethik und mehr.

KI-Infra / KI-Orchestrierung / KI-Control-Plane

🧠💬 Artikel, die ich über maschinelles Lernen geschrieben habe, archiviert von MachineCurve.com.

Open-Source-Hardware- und Software-Plattform zum Bau eines autonomen Kleinwagen-Modells.