lstm

Moteur OCR open source Tesseract (dépôt principal)

AiLearning : Analyse de données, apprentissage automatique pratique, algèbre linéaire, PyTorch, NLTK et TF2.

OCR prêt à l'emploi prenant en charge plus de 80 langues et tous les systèmes d'écriture populaires, y compris le latin, le chinois, l'arabe, le devanagari, le cyrillique, etc.

Un réseau de neurones qui transforme une maquette de design en site web statique.

RWKV (prononcé RwaKuv) est un RNN offrant d'excellentes performances LLM, pouvant être entraîné directement comme un transformeur GPT (parallélisable). Nous en sommes à RWKV-7 "Goose". Il combine le meilleur du RNN et du transformeur : excellentes performances, temps linéaire, espace constant (pas de kv-cache), entraînement rapide, longueur de contexte infinie et plongements de phrases gratuits.

Apprentissage automatique convivial pour le web !

Tutoriels sur l'implémentation de quelques modèles séquence-à-séquence (seq2seq) avec PyTorch et TorchText.

Tutoriels pour débuter avec PyTorch et TorchText pour l'analyse de sentiment.

Robot de création automatique de poésie chinoise classique, basé sur l'API TensorFlow 1.10

Génération de jazz basée sur l'apprentissage profond avec Keras et Theano !

Liste d'articles, de codes et d'expériences utilisant le deep learning pour la prévision de séries temporelles

Tutoriels Jupyter Notebook sur la résolution de problèmes réels avec le Machine Learning et le Deep Learning en utilisant PyTorch. Sujets : détection de visages avec Detectron 2, détection d'anomalies de séries temporelles avec des auto-encodeurs LSTM, détection d'objets avec YOLO v5, création de votre premier réseau de neurones, prévision de séries temporelles pour les cas quotidiens de coronavirus, analyse de sentiment avec BERT

Bibliothèque PyTorch de deep learning pour la prévision de séries temporelles, la classification et la détection d'anomalies (initialement pour la prévision des crues).

Bibliothèque autonome d'apprentissage automatique et de traitement du langage naturel en Go.

Liste approximative de mes ressources préférées en deep learning, utile pour revoir des sujets ou comme référence. J'ai parcouru tout le contenu listé ici avec soin. - Guillaume Chevalier

Ce dépôt contient l'implémentation de différentes architectures pour la reconnaissance des émotions dans les conversations.

OCR de formules mathématiques : prend en charge l'écriture manuscrite, les formules mixtes chinois-anglais et le raisonnement symbolique simple (basé sur l'arbre de syntaxe abstraite LaTeX).

Framework utilisant des LSTM pour détecter des anomalies dans des données de séries temporelles multivariées. Inclut des données d'anomalies spatiales et des expériences des missions Mars Science Laboratory et SMAP.

Une bibliothèque de Deep Learning pour la classification de tâches EEG (signaux), basée sur TensorFlow.

Outil de conversion de fichiers ONNX vers LiteRT/TFLite/TensorFlow, code natif PyTorch (nn.Module), TorchScript (.pt), state_dict (.pt), Exported Program (.pt2) et Dynamo ONNX. Supporte également la conversion directe de LiteRT vers PyTorch.

Liste de conceptions moléculaires et matérielles utilisant l'IA générative et l'apprentissage profond.

Application Web de prédiction boursière basée sur l'apprentissage automatique et l'analyse de sentiment des tweets. Le front-end est basé sur Flask et Wordpress. L'application prévoit les cours des sept prochains jours pour toute action NASDAQ ou NSE saisie par l'utilisateur, en utilisant trois algorithmes : ARIMA, LSTM et régression linéaire.

Une collection de méthodes de détection d'anomalies (iid/basées sur des points, graphes et séries temporelles) incluant l'apprentissage actif pour la détection/découverte d'anomalies, l'exploration de règles bayésiennes, et la description pour la diversité/explication/interprétabilité. Analyse de l'intégration des retours d'étiquetage avec des détecteurs d'ensemble et basés sur des arbres. Inclut des attaques adverses avec Graph Convolutional Network.

Détection d'activité localisée spatio-temporellement en temps réel par suivi des points clés du corps.

Exemple de prédiction de séries temporelles multivariées multiples avec des réseaux de neurones récurrents LSTM en Python avec Keras.

Prédiction des cours boursiers à l'aide d'un réseau de neurones LSTM (mémoire à long terme) TensorFlow pour la prévision de séries temporelles

Prévision de la charge électrique de Delhi en utilisant les modèles ARIMA, RNN, LSTM et GRU

Un benchmark de classification de texte en PyTorch

Classifier les descriptions de crimes de San Francisco de Kaggle en 39 classes. Construire le modèle avec CNN, RNN (GRU et LSTM) et des plongements de mots sur Tensorflow.