machine-learning

Alle Stanford-Spickzettel: Künstliche Intelligenz, Transformers, LLMs, Deep Learning, Machine Learning, Wahrscheinlichkeitsrechnung, Statistik, Algebra und Analysis.

Framework-unabhängige Implementierung modernster Saliency-Methoden (XRAI, BlurIG, SmoothGrad und mehr).

🔍 LangKit: Ein Open-Source-Toolkit zur Überwachung von Large Language Models (LLMs). 📚 Extrahiert Signale aus Prompts und Antworten und gewährleistet Sicherheit. 🛡️ Zu den Funktionen gehören Textqualität, Relevanzmetriken und Sentiment-Analyse. 📊 Ein umfassendes Tool für die LLM-Beobachtbarkeit. 👀

[ICLR 2025 Spotlight] Offizielle Implementierung von „Time-MoE: Billion-Scale Time Series Foundation Models with Mixture of Experts“

Perceptions-Toolkit für Sim2Real-Training und -Validierung in Unity

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.

Überlebenszeitanalyse mit PyTorch.

Hub für vortrainierte Modelle für Keras 3.

Molecular Sets (MOSES): Eine Benchmark-Plattform für Modelle zur molekularen Generierung

[Buch-2021] Practical MLOps O'Reilly Buch

Sparkling Water stellt H2O-Funktionalität innerhalb eines Spark-Clusters bereit

Erstellen Sie KI-Agenten von Grund auf mit einem lokalen LLM – ohne Frameworks, ohne Cloud-APIs, ohne verstecktes Reasoning.

Diese Liste sammelt gemeinsame Daten und Algorithmen rund um 3D Morphable Models. Sie sind herzlich eingeladen, durch einen Pull Request beizutragen. Die ursprüngliche Liste entstand auf dem Dagstuhl-Seminar zu 3D Morphable Models im März 2019.

Bibliothek für spezialisierte dichte und dünnbesetzte Matrixoperationen sowie Deep-Learning-Primitiven.

Ressourcen, Beispiele und Tutorials für multimodale KI, RAG und Agenten unter Verwendung von Vektorsuche und LLMs

OmniXAI: Eine Bibliothek für erklärbare KI (eXplainable AI)

R-Schnittstelle für Apache Spark

Technischer Blog zu Python-Algorithmen für maschinelles Lernen mit originellen Inhalten und Code-Praxis!

Willkommen im Data Science EBooks-Repository! Diese Sammlung bietet eine Vielzahl hochwertiger E-Books zu Data Science, Machine Learning und KI. Perfekt für Anfänger und Fortgeschrittene, um Ihr Wissen und Ihre Fähigkeiten zu vertiefen.

Buch zu Machine Learning Q and AI

Transformer-Modelle von BERT bis GPT-4, Umgebungen von Hugging Face bis OpenAI. Beispiele für Fine-Tuning, Training und Prompt Engineering. Ein Bonusteil mit ChatGPT, GPT-3.5-turbo, GPT-4 und DALL-E inklusive Schnellstart für GPT-4, Speech-to-Text, Text-to-Speech, Texterstellung mit DALL-E, Google Cloud AI, HuggingGPT und mehr

KI-Audiodatensätze (AI-ADS) 🎵, einschließlich Sprache, Musik und Soundeffekten, die Trainingsdaten für generative KI, AIGC, KI-Modelltraining, die Entwicklung intelligenter Audiowerkzeuge und Audioanwendungen bereitstellen können.

TensorFlow Lite-Beispiele auf Unity

PyGCL: Eine PyTorch-Bibliothek für Graph Contrastive Learning

Ein polyedrischer Compiler zum Ausdrücken schneller und portabler datenparalleler Algorithmen

Ein effizientes, skalierbares und optimiertes Python-Framework für Deep Forest (2021.2.1)

NequIP ist ein Code zum Erstellen von E(3)-äquivarianten interatomaren Potenzialen

Ein Tutorial für den Kaggle-Wettbewerb „Titanic: Machine Learning from Disaster“. Demonstriert grundlegende Datenbereinigungs-, Analyse- und Visualisierungstechniken sowie Beispiele für überwachte Techniken des maschinellen Lernens.

Quellcode für das End-to-End-Dialogmodell aus dem MultiWOZ-Paper (Budzianowski et al. 2018, EMNLP)