machine-learning

Vorlesungsunterlagen, Übungsaufgaben inklusive Lösungen sowie Online-Videos für den Kurs zum bestärkenden Lernen (Reinforcement Learning) an der Universität Paderborn

PDEBench: Ein umfangreicher Benchmark für wissenschaftliches maschinelles Lernen

Variational Autoencoder implementiert in TensorFlow und PyTorch (einschließlich Inverse Autoregressive Flow)

TorchXRayVision: Eine Bibliothek mit Röntgenthorax-Datensätzen und -Modellen. Klassifizierer, Segmentierung und Autoencoder.

Eine Einführung in das maschinelle Lernen von Grund auf. Für Ingenieure, die über ML-Systeme genauso nachdenken möchten wie über Softwaresysteme.

Ein Python-Framework zur Evaluierung von Sequenzmarkierungen (Named-Entity Recognition, POS-Tagging etc.)

Sammlung verschiedener in R implementierter Algorithmen

Blitzschnelles Datenversionskontrollsystem für große Daten-Repositories. Fühlt sich an wie git, pusht und pullt wie oxen.

Machine Learning für Zeitreihen im großen Maßstab. Entwickelt mit Polars für hochgradig parallele Feature-Extraktion und Prognosen auf Panel-Daten.

Eine Liste von Ressourcen zum Backdoor-Lernen

Portfolio-Optimierung mit Deep Learning.

Maschinelles Lernen – Stanford University

Eine Sammlung von Skripten und Notebooks für den schnellen Einstieg.

🌝 MLKit ist ein leistungsstarkes und benutzerfreundliches Toolkit. Mit ML Kit können Sie ganz einfach Funktionen wie Texterkennung, Barcode-Erkennung, Bildbeschriftung, Gesichtserkennung und Objekterkennung implementieren.

ONNXMLTools ermöglicht die Konvertierung von Modellen nach ONNX

Schnelle Audiodaten-Augmentierung in PyTorch. Inspiriert von audiomentations. Nützlich für Deep Learning.

Eine neuronale Netzwerkbibliothek höherer Ebene für Mikrocontroller.

[NeurIPS 2020] Offizieller Code für das Paper „DeepSVG: A Hierarchical Generative Network for Vector Graphics Animation“. Enthält eine PyTorch-Bibliothek für Deep Learning mit SVG-Daten.

Coolste Vision-, Lern- und Grafik-Paper zu Katzen!

Eine Sammlung von Werkzeugen, die Agenten mächtige Fähigkeiten verleihen.

Forschung zu Tabellarischem Deep Learning: Papers & Pakete

Eine kuratierte, aber unvollständige Liste datenzentrierter KI-Ressourcen.

GRASS – freie und open-source Engine zur Verarbeitung von Geodaten

Eine kuratierte Liste von Blockchain-Projekten für Künstliche Intelligenz und Maschinelles Lernen

Plug-and-Play-Sprachmodell-Implementierung. Ermöglicht die Steuerung von Thema und Attributen von GPT-2-Modellen.

:muscle: Qualitäts- und Leistungsmetriken von Modellen (R2, ICC, LOO, AIC, BF, ...)

NVTabular ist eine Feature-Engineering- und Vorverarbeitungsbibliothek für tabellarische Daten, die entwickelt wurde, um Terabyte-große Datensätze für das Training von Deep-Learning-basierten Empfehlungssystemen schnell und einfach zu verarbeiten.

Interviewfragen und schriftliche Tests für maschinelles Lernen, Deep Learning, Python und Go (Machine Learning, Deep Learning, Python und Golang Interview Questions)

JMLR: OmniSafe ist ein Infrastruktur-Framework zur Beschleunigung der SafeRL-Forschung.

Werkzeuge zur Verarbeitung multimodaler Daten in Machine-Learning-Projekten.