neural-networks

Pila de software de Google DeepMind para simulación basada en física y entornos de Aprendizaje por Refuerzo, utilizando MuJoCo.

Código de entrenamiento de LLM para los modelos base de Databricks

Razonamiento probabilístico y análisis estadístico en TensorFlow

Implementaciones en Python puro de algoritmos básicos de machine learning

Notas, tareas de programación y cuestionarios de todos los cursos de la especialización en Deep Learning de Coursera ofrecida por deeplearning.ai: (i) Redes neuronales y Deep Learning; (ii) Mejora de redes neuronales profundas: ajuste de hiperparámetros, regularización y optimización; (iii) Estructuración de proyectos de Machine Learning; (iv) Redes neuronales convolucionales; (v) Modelos de secuencias

Estas son las notas manuscritas de Andrew Ng en Coursera.

🧠💬 Artículos que escribí sobre aprendizaje automático, archivados de MachineCurve.com.

Hummingbird compila modelos de ML entrenados en computación tensorial para una inferencia más rápida.

🛠 IDE web todo en uno especializado en machine learning y data science.

Evaluación y seguimiento para experimentos de LLM y agentes de IA

Todas las notas y materiales para el curso CS229: Machine Learning de Stanford University

Biblioteca de redes neuronales basada en JAX

Un repositorio creado para ayudar a quienes se están iniciando en el machine learning o se están preparando para estudiar. (Este repositorio está destinado a ayudar a quienes estén interesados en el estudio del machine learning)

Motor de ajedrez basado en redes neuronales de código abierto con aceleración por GPU y amplio soporte de hardware.

una excelente herramienta de machine learning que te permite entrenar, probar y usar modelos sin escribir código

Inferencia de Tensorflow y ONNX pequeña, directa, autónoma y sin complicaciones

Redes neuronales elegantes y fáciles de usar + computación científica en JAX. https://docs.kidger.site/equinox/

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

Deep learning descentralizado en PyTorch. Diseñado para entrenar modelos con miles de voluntarios en todo el mundo.

Redes neuronales de paso de mensajes para la predicción de propiedades de moléculas

Operadores de inferencia de redes neuronales de punto flotante de alta eficiencia para móviles, servidores y Web.

Un servicio de clasificación personalizada de Machine Learning de bajo código para artículos, listados, resultados de búsqueda y recomendaciones que aumenta la participación del usuario. Un motor Learn-to-Rank amigable.

Código fuente de PyGAD, una biblioteca de Python 3 para construir algoritmos genéticos y entrenar algoritmos de machine learning (Keras y PyTorch).

Solucionadores numéricos de ecuaciones diferenciales en JAX. Autodiferenciable y compatible con GPU. https://docs.kidger.site/diffrax/

Una caja de herramientas/biblioteca de Python para aprendizaje automático/profundo y minería de datos centrados en la realidad sobre series temporales parcialmente observadas, con más de 50 modelos de redes neuronales SOTA para tareas de análisis científico (imputación, clasificación, agrupamiento, pronóstico, detección de anomalías, limpieza) en series temporales multivariadas industriales incompletas y muestreadas irregularmente con valores faltantes NaN.

Aprendizaje profundo y en línea con redes neuronales de picos en Python

Computación paralela y aprendizaje automático científico (SciML): Métodos y aplicaciones (MIT 18.337J/6.338J)

Una colección de más de 1000 artículos de revisión sobre Procesamiento del Lenguaje Natural (NLP) y Aprendizaje Automático (ML).

Un marco de trabajo diferenciable para resolver EDP (PDE) aplicado al aprendizaje automático.

Machine learning ergonómico para todos.