machine-learning

Plugin LV2 pour Neural Amp Modeler

Entraînez des modèles de machine learning dans un conteneur Docker en utilisant Amazon SageMaker.

🧠 Carte mentale de l'architecture logicielle et du génie logiciel : un aperçu des terminologies et concepts logiciels.

Code pour tester divers benchmarks de la puce M1 avec TensorFlow.

Une liste sélectionnée de ressources dédiées aux applications du Machine Learning aux briques LEGO.

Un modèle de diffusion euclidien pour la conception de médicaments basée sur la structure.

Projet de deep learning complet développé dans le cadre de Full Stack Deep Learning, édition 2022. Généré automatiquement depuis https://github.com/full-stack-deep-learning/fsdl-text-recognizer-2022

Ressources pour ceux qui s'intéressent aux données !

Explorez une collection complète de ressources, tutoriels, articles, outils et bonnes pratiques pour le fine-tuning de grands modèles de langage (LLM). Idéal pour les chercheurs et praticiens en ML.

Notes sur les systèmes de deep learning, incluant les bases mathématiques, les composants fondamentaux des réseaux de neurones, les stratégies d'entraînement et les algorithmes de compression de modèles

skops est une bibliothèque Python qui vous aide à partager vos modèles basés sur scikit-learn et à les mettre en production.

Une boîte à outils pour la génération de musique symbolique

pytextclassifier est une boîte à outils pour la classification de texte. Implémentation de modèles de classification tels que LR, Xgboost, TextCNN, FastText, TextRNN, BERT, etc., prêts à l'emploi.

Implémentation de l'algorithme Robust Random Cut Forest pour la détection d'anomalies sur les flux de données.

Une API ultra-simple pour créer des applications propulsées par LLM

Le premier framework d'apprentissage fédéré open source implémenté en C++ et Python.

Détections opportunes pour des actions plus proactives et efficaces dans les puits de pétrole offshore

PromptInject est un framework modulaire d'assemblage de prompts permettant une analyse quantitative de la robustesse des LLM face aux attaques par injection. 🏆 Prix du meilleur article au NeurIPS ML Safety Workshop 2022.

learning-Journey-AI est une compilation mise à jour en 2025 de ressources d'apprentissage en IA, incluant des théories fondamentales, des livres, des articles et des publications pour faciliter l'étude, ainsi que divers projets pratiques et outils pour l'entraînement.

Apprentissage profond bayésien : une étude.

Visualiseur d'activité de modèle.

Analysez des données non structurées avec Towhee, pour des usages tels que la recherche inversée d'images ou de vidéos, la classification audio, les systèmes de questions-réponses et la recherche moléculaire.

Un package Python pour l'identification de systèmes utilisant des modèles NARMAX.

Modèle de sujet guidé semi-supervisé avec guidedLDA personnalisé.

Un module simple de voiture autonome pour les humains 🚘 🛣️

Le guide pour pirater SysML et devenir un expert système.

État actuel des méthodes de complétion de profondeur supervisées et non supervisées

Un framework open source robuste et flexible d'analyse du comportement des utilisateurs et des entités (UEBA) pour l'analyse de sécurité. Développé avec passion par des data scientists et des analystes en sécurité de l'industrie de la cybersécurité. [BETA]

Code pour FLAVR : une technique d'interpolation d'images rapide et efficace.

Entraînez des modèles de diffusion texte-vers-image de haute qualité de manière efficace en termes de données et de calcul.