lstm

Motor OCR de código abierto Tesseract (repositorio principal)

AiLearning: Análisis de datos + Aprendizaje automático práctico + Álgebra lineal + PyTorch + NLTK + TF2

OCR listo para usar con más de 80 idiomas compatibles y todas las escrituras populares, incluyendo latín, chino, árabe, devanagari, cirílico, etc.

Una red neuronal que transforma una maqueta de diseño en un sitio web estático

RWKV (pronunciado RwaKuv) es una RNN con un gran rendimiento en LLM, que también se puede entrenar directamente como un transformador GPT (paralelizable). Estamos en RWKV-7 "Goose". Combina lo mejor de RNN y transformer: gran rendimiento, tiempo lineal, espacio constante (sin caché kv), entrenamiento rápido, ctx_len infinito y embedding de oraciones gratuito.

¡Aprendizaje automático amigable para la web! 🤖

Tutoriales sobre cómo implementar algunos modelos secuencia a secuencia (seq2seq) con PyTorch y TorchText.

Tutoriales para comenzar con PyTorch y TorchText para el análisis de sentimientos.

Robot de generación automática de poesía clásica china, increíble, basado en la API de tensorflow1.10, en mantenimiento y actualización activa, ¡dale star y mantente al día!

Generación de jazz impulsada por deep learning utilizando Keras y Theano.

Lista de artículos, código y experimentos que utilizan deep learning para el pronóstico de series temporales

Tutoriales de Jupyter Notebook para resolver problemas del mundo real con Machine Learning y Deep Learning usando PyTorch. Temas: Detección de rostros con Detectron 2, detección de anomalías en series temporales con Autoencoders LSTM, detección de objetos con YOLO v5, construye tu primera red neuronal, pronóstico de series temporales para casos diarios de coronavirus, análisis de sentimientos con BER

Biblioteca de PyTorch de aprendizaje profundo para predicción de series temporales, clasificación y detección de anomalías (originalmente para predicción de inundaciones).

Biblioteca de aprendizaje automático y procesamiento de lenguaje natural independiente escrita en Go.

Lista de mis recursos favoritos de aprendizaje profundo, útiles para repasar temas o como referencia. He revisado cuidadosamente todo el contenido listado. - Guillaume Chevalier

Este repositorio contiene la implementación de diferentes arquitecturas para el reconocimiento de emociones en conversaciones.

Reconocimiento de fórmulas matemáticas versión mejorada: fórmulas manuscritas e impresas en chino e inglés, con soporte para deducción de símbolos básicos (estructura de datos basada en el árbol de sintaxis abstracta de LaTeX).

Un framework para utilizar LSTM en la detección de anomalías en series temporales multivariantes. Incluye datos de anomalías de naves espaciales y experimentos de las misiones Mars Science Laboratory y SMAP.

Una librería de Deep Learning para la clasificación de tareas (señales) de EEG, basada en TensorFlow.

Una herramienta para convertir archivos ONNX a LiteRT/TFLite/TensorFlow, código nativo de PyTorch (nn.Module), TorchScript (.pt), state_dict (.pt), Exported Program (.pt2) y Dynamo ONNX. También admite la conversión directa de LiteRT a PyTorch.

Lista de diseño molecular y de materiales utilizando IA generativa y aprendizaje profundo

Aplicación web de predicción bursátil basada en aprendizaje automático y análisis de sentimiento de tweets (claves API incluidas en el código). El front-end de la aplicación web se basa en Flask y Wordpress. La aplicación pronostica los precios de las acciones de los próximos siete días para cualquier acción bajo NASDAQ o NSE ingresada por el usuario. Las predicciones se realizan utilizando tres algoritmos: ARIMA, LSTM y Regresión Lineal.

Una colección de métodos de detección de anomalías (basados en puntos/iid, grafos y series temporales) que incluye aprendizaje activo para la detección/descubrimiento de anomalías, minería de reglas bayesianas y descripción para diversidad/explicación/interpretabilidad. Análisis de incorporación de retroalimentación de etiquetas con detectores de conjunto y basados en árboles. Incluye ataques adversarios con Graph Convolutional Network.

Detección de actividades localizadas espacio-temporalmente en tiempo real mediante el seguimiento de puntos clave del cuerpo.

Ejemplo de predicción de múltiples series temporales multivariadas con redes neuronales recurrentes LSTM en Python usando Keras.

Predicción de precios de acciones mediante una red neuronal LSTM (memoria a largo plazo) de TensorFlow para pronósticos de series temporales

Pronóstico de la carga de energía eléctrica de Delhi utilizando modelos ARIMA, RNN, LSTM y GRU.

Un benchmark de clasificación de texto en PyTorch.

Clasificación de descripciones de delitos de San Francisco de Kaggle en 39 categorías. Modelo construido con CNN, RNN (GRU y LSTM) y Word Embeddings en Tensorflow.