machine-learning

Fantastische Forschungsarbeiten, Quantisierung, Tools und Lernmaterialien zur Komprimierung von Machine-Learning-Modellen.

Albumentations der nächsten Generation: dual lizenziert für Open-Source- und kommerzielle Nutzung

Happy Transformer vereinfacht das Fine-Tuning und die Inferenz von NLP-Transformer-Modellen.

Lineares Vorhersagemodell mit automatisiertem Feature Engineering und Auswahlfunktionen

Eine kuratierte Liste von Fachartikeln zu Language-Model-as-a-Service (LMaaS)

OWASP CycloneDX ist ein Full-Stack-Standard für Stücklisten (BOM), der erweiterte Funktionen für die Lieferkette zur Reduzierung von Cyberrisiken bietet. Unterstützt SBOM, SaaSBOM, HBOM, AI/ML-BOM, CBOM, OBOM, MBOM, VDR und VEX.

Ihr schnörkelloser Leitfaden zur Mathematik in der künstlichen Intelligenz

Cleora AI ist ein quelloffenes Allzweckmodell für effizientes, skalierbares Lernen stabiler und induktiver Entity-Embeddings für heterogene relationale Daten. Entwickelt vom Team von Synerise.com.

Hochwertiger, interaktiver Speech-to-Speech-Agent mit Streaming-Funktion in einer einzigen Datei.

Ein einfaches und elegantes Framework zur Experimentverfolgung, das Persistenzlogik und Best Practices direkt in Python integriert.

Erstellen Sie einen Chatbot oder Q&A-Bot für die Inhalte Ihrer Website.

Eine Sammlung von Tools für die Verwendung mit Microsoft Azure Form Recognizer und OCR-Diensten.

Audiobeispiele zu Publikationen über Tacotron, ein End-to-End-Sprachsynthesemodell.

Machine-Learning-Bibliothek für das Web und Node.

CodaLab-Wettbewerbe.

Konfusionsmatrix in Python: Erstellung einer ansprechenden Konfusionsmatrix (ähnlich wie in Matlab) unter Verwendung von seaborn und matplotlib

Dieses Repository ist für all jene KI-Enthusiasten, die gerne Bücher lesen und lernen.

Muster für verteiltes maschinelles Lernen von Manning Publications, verfasst von Yuan Tang.

Eine PyTorch-Implementierung von Perceiver, Perceiver IO und Perceiver AR mit PyTorch Lightning-Skripten für verteiltes Training

Eine Sammlung hilfreicher Ressourcen zu Data Science und Machine Learning (ich poste nur, was ich selbst gelesen habe!)

apricot implementiert submodulare Optimierung zur Auswahl von Teilmengen massiver Datensätze, um Machine-Learning-Modelle schnell zu trainieren. Siehe Dokumentationsseite: https://apricot-select.readthedocs.io/en/latest/index.html

Kuratierte Liste öffentlich zugänglicher Machine-Learning-Kurse von CalTech, Columbia, Berkeley, MIT und Stanford.

Kuratierte Liste herausragender Paper und Ressourcen zum Thema Quantum Machine Learning.

Erkunden und Interpretieren großer Embeddings im Browser mit interaktiver Visualisierung! 📍

Wie bereit ist Rust für Machine Learning?

Führen Sie Ihre Deep-Learning-Workloads einfacher und effizienter auf Kubernetes aus.

Für Menschen erklärbare KI.

Eine einfache Python-OCR-Engine unter Verwendung von OpenCV

Neural Amp Modeler LV2-Plugin

TensorLayerX: Ein einheitliches Framework für Deep Learning und Reinforcement Learning für alle Hardware-Plattformen, Backends und Betriebssysteme.