neural-networks

Pile logicielle de Google DeepMind pour la simulation physique et les environnements d'apprentissage par renforcement, utilisant MuJoCo.

Code d'entraînement LLM pour les modèles de fondation Databricks.

Raisonnement probabiliste et analyse statistique dans TensorFlow.

Implémentations en Python pur d'algorithmes d'apprentissage automatique fondamentaux

Notes, exercices de programmation et quiz de tous les cours de la spécialisation Deep Learning de Coursera proposée par deeplearning.ai : (i) Réseaux de neurones et Deep Learning ; (ii) Amélioration des réseaux de neurones profonds : réglage des hyperparamètres, régularisation et optimisation ; (iii) Structuration de projets de Machine Learning ; (iv) Réseaux de neurones convolutifs ; (v) Modèles de séquences.

Notes manuscrites du cours Coursera d'Andrew Ng.

Articles sur l'apprentissage automatique, archivés depuis MachineCurve.com.

Hummingbird compile des modèles ML entraînés en calculs tensoriels pour une inférence plus rapide.

🛠 IDE web tout-en-un spécialisé pour le machine learning et la science des données.

Évaluation et suivi pour les expériences LLM et les agents IA.

Notes et supports complets pour le cours CS229 : Machine Learning de l'Université de Stanford

Bibliothèque de réseaux de neurones basée sur JAX

Dépôt destiné à aider les débutants en machine learning ou ceux qui préparent un groupe d'étude.

Moteur d'échecs open-source basé sur les réseaux de neurones avec accélération GPU et large prise en charge matérielle.

Un outil d'apprentissage automatique convivial qui permet d'entraîner, de tester et d'utiliser des modèles sans écrire de code

Inférence Tensorflow et ONNX légère, autonome et sans fioritures.

Réseaux de neurones élégants et faciles à utiliser + calcul scientifique dans JAX. https://docs.kidger.site/equinox/

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

Apprentissage profond décentralisé avec PyTorch, conçu pour entraîner des modèles sur des milliers de volontaires à travers le monde.

Réseaux de neurones à passage de messages pour la prédiction des propriétés des molécules.

Opérateurs d'inférence de réseaux de neurones à virgule flottante haute efficacité pour mobile, serveur et Web.

Un service de classement personnalisé par Machine Learning low-code pour articles, listes, résultats de recherche et recommandations, conçu pour accroître l'engagement utilisateur. Un moteur Learn-to-Rank convivial.

Code source de PyGAD, une bibliothèque Python 3 pour construire des algorithmes génétiques et entraîner des modèles de machine learning (Keras et PyTorch).

Solveurs d'équations différentielles numériques en JAX. Différentiables automatiquement et compatibles GPU.

Boîte à outils Python pour l'apprentissage automatique et profond axé sur la réalité et l'exploration de données sur des séries temporelles partiellement observées, incluant plus de 50 modèles de réseaux neuronaux SOTA pour des tâches d'analyse scientifique (imputation, classification, clustering, prévision, détection d'anomalies, nettoyage) sur des séries temporelles multivariées industrielles échantillonnées irrégulièrement avec des valeurs manquantes NaN.

Apprentissage profond et en ligne avec des réseaux de neurones impulsionnels en Python.

Calcul parallèle et apprentissage automatique scientifique (SciML) : méthodes et applications (MIT 18.337J/6.338J)

Une collection de plus de 1000 articles de synthèse sur le traitement du langage naturel (NLP) et l'apprentissage automatique (ML).

Framework de résolution d'EDP différentiable pour l'apprentissage automatique

Apprentissage automatique ergonomique pour tous.