neural-networks

Ausgew Künstliche Intelligenz, Machine Learning und Deep Learning während des Lernens. Studiennotizen und eine kuratierte Liste großartiger Ressourcen zu diesen Themen.

Beschleunigungspaket für neuronale Netze auf Mehrkern-CPUs

Nx-gestützte neuronale Netze

:red_circle: MiniSom ist eine minimalistische Implementierung von Self-Organizing Maps

Qualitativ hochwertige Implementierungen von Standard- und SOTA-Methoden für eine Vielzahl von Aufgaben.

Macaw-LLM: Multimodale Sprachmodellierung mit Bild-, Video-, Audio- und Textintegration

Eine 2D-Unity-Simulation, in der Autos lernen, sich selbst durch verschiedene Parcours zu steuern. Die Autos werden über ein Feedforward-Neuronales-Netzwerk gesteuert. Die Gewichte des Netzwerks werden mithilfe eines modifizierten genetischen Algorithmus trainiert.

Brevitas: Neuronale Netz-Quantisierung in PyTorch

Hochmoderne Deep-Learning-Modelle zur Analyse von Stimmung, Emotionen, Sarkasmus usw.

Liste von Arbeiten zur Untersuchung von maschinellem Lernen durch das Prisma der Kategorientheorie

Eine kuratierte Liste der besten Ressourcen für Künstliche Intelligenz

Berechnungen und Statistiken auf Mannigfaltigkeiten mit geometrischen Strukturen.

Deep-Learning-Framework der Koç University.

Code für den Lovász-Softmax-Loss (CVPR 2018)

Eine schnelle, ergonomische und portable Tensor-Bibliothek in Nim mit Fokus auf Deep Learning für CPU, GPU und eingebettete Geräte über OpenMP-, Cuda- und OpenCL-Backends

Roadmap und Ressourcen für Low-Level-Programmierung

Arm NN ML-Software.

Offizielles Repository für „Mish: A Self Regularized Non-Monotonic Neural Activation Function“ [BMVC 2020]

Eine JavaScript-Bibliothek ähnlich wie PyTorch, mit GPU-Beschleunigung.

Physics-Informed Neural Networks (PINN)-Solver für (partielle) Differentialgleichungen zur beschleunigten Simulation im Bereich Scientific Machine Learning (SciML)

pyclustering ist eine Data-Mining-Bibliothek für Python und C++.

PDEBench: Ein umfangreicher Benchmark für wissenschaftliches maschinelles Lernen

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

Ein Projekt zur Verarbeitung neuronaler Netze und zum Rendern, um durch eine übersichtliche Darstellung Einblicke in Architektur und Parameter eines Modells zu gewinnen.

Eine neuronale Netzwerkbibliothek höherer Ebene für Mikrocontroller.

Eine kuratierte Liste von NLP-Ressourcen mit Schwerpunkt auf Transformer-Netzwerken, Attention-Mechanismen, GPT, BERT, ChatGPT, LLMs und Transfer Learning.

Fortgeschrittene Bibliothek für evolutionäre Berechnungen direkt auf Basis von PyTorch, entwickelt bei NNAISENSE.

TensorFlow 101: Einführung in Deep Learning

Das nnsight-Paket ermöglicht die Interpretation und Manipulation des Innenlebens von Deep-Learning-Modellen.

Eine kuratierte Sammlung von Ressourcen und Forschungen zur Geometrie von Repräsentationen im Gehirn, in Deep Networks und darüber hinaus.