machine-learning

Toutes les fiches mémo de Stanford : Intelligence artificielle, Transformers, LLM, Deep Learning, Machine Learning, Probabilités, Statistiques, Algèbre et Calcul.

LangKit : une boîte à outils open source pour la surveillance des grands modèles de langage (LLM). Extrait des signaux des invites et des réponses pour garantir la sécurité. Inclut des fonctionnalités d'analyse de la qualité du texte, de pertinence et d'analyse de sentiment. Un outil complet pour l'observabilité des LLM.

Implémentation agnostique au framework pour des méthodes de saillance de pointe (XRAI, BlurIG, SmoothGrad, et plus).

[ICLR 2025 Spotlight] Implémentation officielle de "Time-MoE: Billion-Scale Time Series Foundation Models with Mixture of Experts"

Boîte à outils de perception pour l'entraînement et la validation sim2real dans Unity

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.

Analyse de survie avec PyTorch

Hub de modèles pré-entraînés pour Keras 3.

Molecular Sets (MOSES) : une plateforme d'évaluation pour les modèles de génération moléculaire

[Livre-2021] Practical MLOps, livre publié chez O'Reilly

Construisez des agents IA à partir des principes fondamentaux en utilisant un LLM local - sans frameworks, sans API cloud, sans raisonnement caché.

Sparkling Water intègre les fonctionnalités de H2O au sein d'un cluster Spark.

Cette liste rassemble des données et algorithmes partagés autour des modèles 3D morphables (3DMM). Vous êtes invité à contribuer via une pull request. La liste originale est issue du séminaire Dagstuhl sur les 3D Morphable Models de mars 2019.

Bibliothèque pour les opérations spécialisées sur matrices denses et creuses, ainsi que des primitives de deep learning.

Ressources, exemples et tutoriels pour l'IA multimodale, le RAG et les agents utilisant la recherche vectorielle et les LLM

OmniXAI : une bibliothèque pour l'IA explicable

Interface R pour Apache Spark.

Blog technique sur les algorithmes d'apprentissage automatique en Python, avec du contenu original et des exemples de code. Pour plus de contenu, suivez le compte officiel "算法进阶".

Bienvenue dans le dépôt de livres électroniques sur la science des données ! Cette collection propose une variété d'ebooks de haute qualité sur la science des données, l'apprentissage automatique et l'IA. Parfait pour les débutants comme pour les apprenants avancés, explorez ces ressources pour approfondir vos connaissances et vos compétences.

Modèles de type Transformer, de BERT à GPT-4, et environnements, de Hugging Face à OpenAI. Exemples de fine-tuning, d'entraînement et de prompt engineering. Une section bonus incluant ChatGPT, GPT-3.5-turbo, GPT-4 et DALL-E, avec des guides pour démarrer avec GPT-4, la conversion parole-texte, texte-parole, la génération d'images avec DALL-E, Google Cloud AI, HuggingGPT, et plus encore.

Livre sur le Machine Learning Q and AI

Jeux de données audio IA (AI-ADS) incluant parole, musique et effets sonores, destinés à l'entraînement de modèles génératifs, à l'AIGC et au développement d'outils audio intelligents.

Exemples TensorFlow Lite pour Unity.

PyGCL : une bibliothèque PyTorch pour l'apprentissage contrastif sur graphes.

Un compilateur polyédrique pour exprimer des algorithmes de parallélisme de données rapides et portables

NequIP est un code pour construire des potentiels interatomiques E(3)-équivariants

Un framework Python efficace, évolutif et optimisé pour Deep Forest (2021.2.1).

Un tutoriel pour la compétition Kaggle Titanic: Machine Learning from Disaster. Il présente des techniques de base de manipulation, d'analyse et de visualisation de données, ainsi que des exemples d'apprentissage automatique supervisé.

Implémentation officielle de la quantification quadratique partielle (HQQ).