lstm

Tesseract Open Source OCR-Engine (Hauptrepository)

AiLearning: Datenanalyse + Machine Learning Praxis + Lineare Algebra + PyTorch + NLTK + TF2

Fertig einsetzbarer OCR mit Unterstützung von 80+ Sprachen und allen beliebten Schriftsystemen, darunter Latein, Chinesisch, Arabisch, Devanagari, Cyrillisch und etc.

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

RWKV (ausgesprochen RwaKuv) ist ein RNN mit hervorragender LLM-Leistung, das auch wie ein GPT-Transformer direkt trainiert werden kann (parallelisierbar). Wir sind bei RWKV-7 „Goose“. Es kombiniert also das Beste aus RNN und Transformer – hohe Leistung, lineare Zeit, konstanter Speicherplatz (kein KV-Cache), schnelles Training, unendliche ctx_len und kostenloses Sentence Embedding.

Benutzerfreundliches Machine Learning für das Web! 🤖

Tutorials zur Implementierung einiger Sequence-to-Sequence-Modelle (seq2seq) mit PyTorch und TorchText.

Tutorials für den Einstieg in PyTorch und TorchText zur Sentimentanalyse.

Automatisierter Roboter für chinesische klassische Poesie, basierend auf der TensorFlow 1.10 API, aktiv gewartet und aktualisiert.

Deep-Learning-gestützte Jazz-Generierung mit Keras & Theano!

Sammlung von Artikeln, Code und Experimenten zum Deep Learning für Zeitreihenprognosen

Jupyter Notebook-Tutorials zum Lösen realer Probleme mit Machine Learning & Deep Learning unter Verwendung von PyTorch. Themen: Gesichtserkennung mit Detectron 2, Zeitreihen-Anomalieerkennung mit LSTM Autoencoders, Objekterkennung mit YOLO v5, Erstellung Ihres ersten neuronalen Netzwerks, Zeitreihenvorhersage für tägliche Coronavirus-Fälle, Sentiment-Analyse mit BERT

Deep-Learning-PyTorch-Bibliothek für Zeitreihenvorhersage, Klassifizierung und Anomalieerkennung (ursprünglich für Hochwasservorhersagen).

Eigenständige Machine-Learning- und Natural-Language-Processing-Bibliothek in Go.

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

Dieses Repository enthält die Implementierung verschiedener Architekturen zur Emotionserkennung in Konversationen.

:art: Erweiterte Version zur Erkennung mathematischer Formeln: Unterstützt chinesische und englische handschriftliche sowie gedruckte Formeln und grundlegende symbolische Ableitungen (Datenstruktur basierend auf LaTeX-AST).

Ein Framework zur Verwendung von LSTMs zur Erkennung von Anomalien in multivariaten Zeitreihendaten. Enthält Raumfahrzeug-Anomaliedaten und Experimente der Missionen Mars Science Laboratory und SMAP.

Eine Deep-Learning-Bibliothek für die Klassifizierung von EEG-Aufgaben (Signalen), basierend auf TensorFlow.

Ein Tool zum Konvertieren von ONNX-Dateien in LiteRT/TFLite/TensorFlow, PyTorch Native Code (nn.Module), TorchScript (.pt), state_dict (.pt), Exported Program (.pt2) und Dynamo ONNX. Es unterstützt auch die direkte Konvertierung von LiteRT zu PyTorch.

Liste des molekularen und materiellen Designs unter Verwendung von Generative AI und Deep Learning

Web-App zur Vorhersage von Aktienmärkten basierend auf maschinellem Lernen und Sentiment-Analyse von Tweets (API-Schlüssel im Code enthalten). Das Frontend der Web-App basiert auf Flask und Wordpress. Die App prognostiziert die Aktienkurse der nächsten sieben Tage für jede vom Benutzer eingegebene Aktie unter NASDAQ oder NSE. Vorhersagen werden mit drei Algorithmen getroffen: ARIMA, LSTM, Lineare Regression. Die Web-App kombiniert das

Eine Sammlung von Anomalieerkennungsmethoden (IID/punktbasiert, Graphen und Zeitreihen) einschließlich aktiverem Lernen zur Anomalieerkennung/-entdeckung, Bayes'schem Regelmining und Beschreibung für Diversität/Erklärung/Interpretierbarkeit. Analyse der Einbindung von Feedback zu Labels mit Ensemble- und baumbasierten Detektoren. Beinhaltet gegnerische Angriffe mit Graph Convolutional Networks.

Echtzeit-Aktivitätserkennung mit räumlich-zeitlicher Lokalisierung durch Tracking von Körper-Keypoints.

Beispiel für multiple multivariate Zeitreihenvorhersage mit LSTM Recurrent Neural Networks in Python mit Keras.

Vorhersage von Aktienkursen mittels eines TensorFlow LSTM (Long Short-Term Memory) neuronalen Netzwerks für Zeitreihenprognosen

Vorhersage der elektrischen Last von Delhi unter Verwendung von ARIMA-, RNN-, LSTM- und GRU-Modellen

Ein Benchmark für Textklassifizierung in PyTorch

Klassifizierung von Kaggle San Francisco Crime Descriptions in 39 Klassen. Erstellung des Modells mit CNN, RNN (GRU und LSTM) sowie Word Embeddings auf Tensorflow.