machine-learning

Eine Python-basierte Toolbox mit verschiedenen Methoden zur Entscheidungsfindung, Quantifizierung von Unsicherheiten und statistischen Emulation: Multi-Fidelity, Versuchsplanung, bayessche Optimierung, bayessche Quadratur usw.

Eine Bibliothek zum Trainieren, Evaluieren, Interpretieren und Produktiv-Machen von Entscheidungsforst-Modellen wie Random Forest und Gradient Boosted Decision Trees.

Dieses Repository enthält Tutorials zur systematischen und standardisierten Nutzung der TensorFlow Estimator-APIs für verschiedene ML-Aufgaben.

Neuigkeiten: Das 10k-Dataset steht zum Download bereit.

Ein Python-Pickling-Dekompiler und statischer Analysator.

Software zur automatischen Kennzeichenerkennung (ALPR oder ANPR), die mit jeder Kamera funktioniert.

Verarbeitung und Rasterung von Räumlichen Daten im Machine-Learning-Stil

MOA ist ein Open-Source-Framework für Big-Data-Stream-Mining mit einer Sammlung von Machine-Learning-Algorithmen und Evaluierungswerkzeugen

Implementierung von Code-Snippets, Übungen und Anwendung auf Live-Daten aus Machine Learning for Asset Managers (Elements in Quantitative Finance) von Prof. Marcos López de Prado.

Behalten Sie den Überblick über Ihre Data Science. Skores Open-Source-Python-Bibliothek beschleunigt die Entwicklung von ML-Modellen durch automatisierte Evaluierungsberichte, intelligente methodische Anleitung und umfassende Kreuzvalidierungsanalysen.

A-Aktien-Quantifizierungssystem. A股量化系统

Extrem schnelles Framework für das Fine-Tuning von Similarity-Learning-Modellen

Gaußprozesse in JAX und Equinox.

BanditPAM C++-Implementierung und Python-Paket

Formatieren Sie Ihre Notizen schnell mit ChatGPT in Obsidian

CAIRI Toolbox und Benchmark für überwachtes, semi-überwachtes und selbstüberwachtes visuelles Repräsentations lernen

Awesome-LLM-Eval: eine kuratierte Liste von Tools, Datensätzen/Benchmarks, Demos, Bestenlisten, Papers, Dokumenten und Modellen, hauptsächlich zur Evaluierung von LLMs.

BenchMARL ist eine Bibliothek für Benchmarking im Bereich Multi-Agent Reinforcement Learning (MARL). BenchMARL ermöglicht den schnellen Vergleich verschiedener MARL-Algorithmen, -Aufgaben und -Modelle, gestützt auf die zwei Kernprinzipien: Reproduzierbarkeit und Standardisierung.

Eine Sammlung ziemlich cooler Datensätze für die Netzwerk- und Machine-Learning-Forschung.

Code für das TCAV-ML-Interpretierbarkeitsprojekt

Teilen Sie Ihre PyTorch-Modelle automatisch für Training und Inferenz auf mehrere GPUs auf

Azure MLOps (v2) Solution Accelerators. Bereitstellungsfertige Vorlagen für Unternehmen zur Bereitstellung Ihrer Modelle für maschinelles Lernen auf der Azure-Plattform.

Vollständiger Lebenszyklus eines Data-Science-Projekts

Eine Bibliothek zur Modellierung multivariater Daten mittels Copulas.

Ein einfacher und flexibler Code für Reservoir-Computing-Architekturen wie Echo State Networks

Eine轻量级、portabile reine C99 ONNX-Inferenzengine für eingebettete Geräte mit Unterstützung für Hardwarebeschleunigung.

Ein Reinforcement-Learning-Paket für Julia

oneAPI Data Analytics Library (oneDAL)

MICA – Auf dem Weg zur metrischen Rekonstruktion menschlicher Gesichter [ECCV2022]

Go-Implementierung der MediaDevices-API.