transfer-learning

Deep Learning-Tutorial von Li Hung-yi (von Prof. Li Hung-yi empfohlen 👍, Apple-Buch 🍎), PDF-Download-Adresse: https://github.com/datawhalechina/leedl-tutorial/releases

Transferlernen / Domänenanpassung / Domänengeneralisierung / Multitasking-Lernen usw. Arbeiten, Codes, Datensätze, Anwendungen, Tutorials.

Schnelles und präzises ML in 3 Zeilen Code

Eine Sammlung von AWESOME-Ressourcen rund um Domain Adaptation

Transfer Learning Library für Domain Adaptation, Task Adaptation und Domain Generalization

🔥🔥 Leistungsstarke Gesichtserkennungsbibliothek auf Basis von PaddlePaddle & PyTorch 🔥🔥

Eine Bibliothek für Transfer Learning durch Wiederverwendung von Teilen von TensorFlow-Modellen.

Sammlung von fantastischen Vision-Language-Modellen für visuelle Aufgaben.

Jupyter Notebook-Tutorials zum Lösen realer Probleme mit Machine Learning & Deep Learning unter Verwendung von PyTorch. Themen: Gesichtserkennung mit Detectron 2, Zeitreihen-Anomalieerkennung mit LSTM Autoencoders, Objekterkennung mit YOLO v5, Erstellung Ihres ersten neuronalen Netzwerks, Zeitreihenvorhersage für tägliche Coronavirus-Fälle, Sentiment-Analyse mit BERT

Kashgari ist ein produktionsreifes NLP-Transfer-Learning-Framework auf Basis von tf.keras für Text-Labeling und Text-Klassifizierung, einschließlich Word2Vec-, BERT- und GPT2-Spracheinbettungen.

Deep-Learning-PyTorch-Bibliothek für Zeitreihenvorhersage, Klassifizierung und Anomalieerkennung (ursprünglich für Hochwasservorhersagen).

EasyNLP: Ein umfassendes und benutzerfreundliches NLP-Toolkit

Code für das TKDE-Paper „Self-supervised learning on graphs: Contrastive, generative, or predictive“

🛸 Vorrainierte Transformer wie BERT, XLNet und GPT-2 in spaCy verwenden

Erstellen Sie Computer-Vision-Modelle in einem Bruchteil der Zeit und mit weniger Daten.

Sammlung von fantastischen Test-Time-Adaptationsmethoden (Domain/Batch/Instance)

Eine umfassende Liste großartiger Arbeiten zum kontrastiven, selbstüberwachten Lernen.

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

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

TensorFlow 101: Einführung in Deep Learning

ICCV 2023-2025 Papers: Entdecken Sie bahnbrechende Forschung von der ICCV 2023-25, der führenden Computer-Vision-Konferenz. Bleiben Sie auf dem neuesten Stand bei Computer Vision und Deep Learning, inklusive Code. ⭐ Unterstützen Sie die Entwicklung visueller Intelligenz!

KI-Tool für das molekulare Design für De-novo-Design, Scaffold-Hopping, R-Gruppen-Ersatz, Linker-Design und Molekülobservierung.

Eine kuratierte Liste von Datensätzen, Codebasen und Papieren zum Multi-Task Learning (MTL) aus der Perspektive des maschinellen Lernens.

[MICCAI 2019 Young Scientist Award] [MEDIA 2020 Best Paper Award] Models Genesis, eines der ersten "Fundament"-Modelle in der medizinischen Bildanalyse für verschiedene Downstream-Tasks

TensorFlow- und PyTorch-Implementierung von „Meta-Transfer Learning for Few-Shot Learning“ (CVPR2019)

Modellzusammenführung in LLMs, MLLMs und darüber hinaus: Methoden, Theorien, Anwendungen und Möglichkeiten. ACM Computing Surveys, 2026.

Das Hauptrepository für Forschung und Entwicklung von hochmodernen, mehrsprachigen Question-Answering-Systemen.

Trainieren Sie einen hochmodernen yolov3-Objektdetektor von Grund auf!

Vollständiger Lebenszyklus eines Data-Science-Projekts

Hierarchical Image Pyramid Transformer - CVPR 2022 (Oral)