machine-learning

Alles, was Sie wissen müssen, um Ihre eigene RAG-Anwendung zu erstellen

Ein Python-Paket zur Segmentierung von Geodaten mit dem Segment Anything Model (SAM)

Fehlertolerante, hochskalierbare GPU-Orchestrierung und ein Machine-Learning-Framework für das Training von Modellen mit Milliarden bis Billionen von Parametern

LimiX: Entfesselung der Modellierungsfähigkeit strukturierter Daten für generalistische Intelligenz https://arxiv.org/abs/2509.03505

Eine kuratierte Liste fantastischer Ressourcen für verantwortungsvolles maschinelles Lernen.

FEDML - Die vereinheitlichte und skalierbare ML-Bibliothek für verteiltes Training im großen Maßstab, Modellbereitstellung und föderiertes Lernen. FEDML Launch, ein Cloud-übergreifender Scheduler, ermöglicht zudem die Ausführung beliebiger KI-Jobs auf jeder GPU-Cloud oder jedem On-Premise-Cluster. Basierend auf dieser Bibliothek ist TensorOpera AI (https://TensorOpera.ai) Ihre generative KI-Plattform im großen Maßstab.

Eine moderne, benutzerdefinierte Anki-Zeitplanung basierend auf dem Free Spaced Repetition Scheduler-Algorithmus

Deepchecks: Tests zur kontinuierlichen Validierung von ML-Modellen & Daten. Deepchecks ist eine ganzheitliche Open-Source-Lösung für alle Anforderungen im Bereich KI- & ML-Validierung und ermöglicht das gründliche Testen von Daten und Modellen von der Forschung bis zur Produktion.

Ressourcen für Quanten-/Algorithmushandel mit Schwerpunkt auf maschinellem Lernen

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.

TVM-Dokumentation in vereinfachtem Chinesisch / TVM 中文文档

Ein zielplattformunabhängiger, MLIR-basierter Compiler- und Laufzeit-Toolkit für maschinelles Lernen.

Der offizielle CLI- und Python-Client für die Hugging Face Hub.

Ultraschnelle KI-Entscheidungsfindung und intelligente Verarbeitung multimodaler Daten.

Eine umfangreiche Node-Suite, die ComfyUI die Verarbeitung von 3D-Eingaben (Mesh & UV-Textur usw.) mithilfe modernster Algorithmen (3DGS, NeRF usw.) ermöglicht.

Maestro: Der Workflow-Orchestrator von Netflix

Schnelles kollaboratives Python-Filtering für implizite Feedback-Datensätze

Jupyter Notebooks aus der scikit-learn-Videoreihe

Dies sind handgeschriebene Notizen zu Kursen von Andrew Ng auf Coursera.

Eine Python-Bibliothek für selbstüberwachtes Lernen an Bildern.

DeepVariant ist eine Analyse-Pipeline, die ein tiefes neuronales Netz nutzt, um genetische Varianten aus Next-Generation-DNA-Sequenzierungsdaten zu bestimmen.

Einfachste funktionierende Implementierung von StyleGAN2, einem modernen generativen adversarialen Netzwerk (GAN), in PyTorch. Ermöglicht jedem, Entflechtung zu erleben.

Java-DataFrame- und Visualisierungsbibliothek

Einführungstutorial zu PyTorch, Online-Leseadresse: https://datawhalechina.github.io/thorough-pytorch/

Leistungsstarke symbolische Regression in Python und Julia

Buch 5 „Statistik ganz einfach“ | Iris-Blumen-Buch: Von Grundrechenarten bis zum Machine Learning; jetzt erhältlich!

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

Die Notebooks des fast.ai-Kurses

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

Von großen Tech-Unternehmen veröffentlichte KI-Praxisberichte, die neuesten Forschungsarbeiten aus Spitzenlaboren und reale Erfahrungsberichte aus der Industrie