machine-learning

NBA-Sportwetten mit maschinellem Lernen

Simulation von Spike-basierten neuronalen Netzen (SNNs) mit PyTorch.

MLRun ist eine Open-Source-MLOps-Plattform zum schnellen Erstellen und Verwalten kontinuierlicher ML-Anwendungen über ihren gesamten Lebenszyklus. MLRun lässt sich in Ihre Entwicklungs- und CI/CD-Umgebung integrieren und automatisiert die Bereitstellung von Produktionsdaten, ML-Pipelines und Online-Anwendungen.

TensorLy: Tensor-Learning in Python.

Lesenswerte Forschungspapiere sowie Links zu Tools und Datensätzen im Zusammenhang mit maschinellem Lernen für Compiler- und Systemoptimierung

Graph4nlp ist die Bibliothek zur einfachen Nutzung von Graph Neural Networks für NLP. Besuchen Sie unsere DLG4NLP-Website (https://dlg4nlp.github.io/index.html) für verschiedene Lernressourcen!

Effizienter, skalierbarer und unternehmenstauglicher CPU/GPU-Inferenzserver für 🤗 Hugging Face Transformer-Modelle 🚀

Eine Auswahl modernster Forschungsmaterialien zur Trajektorienvorhersage

Maschinelles Lernen in R.

Dieses Repository enthält Code für Machine-Learning-Algorithmen für Edge-Geräte, entwickelt von Microsoft Research India.

Leistungsstarke automatische Differenzierung von LLVM und MLIR.

Versionskontrolle für Machine Learning

🦆 Kontextbezogene Wortvektoren

Ein einheitliches Framework für Deep-Learning-Modelle auf tabellarischen Daten

Ein NSFW-Detektor (auch bekannt als Pornos-Detektor) mit CoreML

Ein modellunabhängiges visuelles Debugging-Tool für Machine Learning

Python-basierte Forschungsschnittstelle für Blackbox- und Hyperparameter-Optimierung, basierend auf dem internen Google Vizier Service.

Deep Neuroevolution

Trainierte neuronale Netzmodelle in Axon (+ 🤗 Models-Integration)

Ein PyTorch-basiertes Framework für Quanten-Klassische Simulation, Quanten-Maschinelles Lernen, Quanten-Neuronale Netze und parametrisierte Quantenschaltkreise mit Unterstützung für die einfache Bereitstellung auf echten Quantencomputern.

Apache Spark & Python (pySpark) Tutorials für Big-Data-Analyse und Machine Learning als IPython / Jupyter Notebooks

Sammlung von Google-Colaboratory-Notebooks für schnelle und einfache Experimente.

Synthetische DatenGeneratoren für Tabellen- und Zeitreihendaten

AI Infrastructure Engineer Learning Track – Lehrplan für ML-Infrastruktur in der Produktion (2–4 Jahre Erfahrung)

Maschinelles Lernen mit Dataframes

Das Self-Coding-System für Ihre App — Alan AI SDK für Ionic

MixTeX multimodales LaTeX, ZhEn und Tabellen-OCR. Führt eine effiziente CPU-basierte Inferenz lokal offline unter Windows aus.

Liste nützlicher Ressourcen zur Datenaugmentierung. Hier finden Sie ungewöhnliche Techniken, Bibliotheken, Links zu GitHub-Repos, Paper und mehr.

Kuratierte Ressourcen zu Normalizing Flows.