artificial-neural-networks

Mergulhe em Deep Learning, Reinforcement Learning, Machine Learning, Computer Vision e NLP através destas aulas empolgantes!

Uma referência contendo estilos e palavras-chave que você pode usar com a IA MidJourney. Há também páginas mostrando comparação de resolução, pesos de imagem e muito mais!

Uma biblioteca Python criada para capacitar desenvolvedores a construir aplicações e sistemas com capacidades autônomas de Visão Computacional

(CGCSTCD'2017) Um projeto de reconhecimento de placas para licenças chinesas fácil, flexível e preciso em situações não restritas. CGCSTCD = China Graduate Contest on Smart-city Technology and Creative Design

Aqui você encontra os fundamentos, algoritmos, materiais de estudo, projetos e descrições de projetos de Quantum Machine Learning disponíveis na web.

🚀 Recursos de IA GRATUITOS - 🎓 Cursos, 👷 Vagas, 📝 Blogs, 🔬 Pesquisa em IA e muito mais - para todos!

Implementação em PyTorch de vários métodos para aprendizado contínuo (XdG, EWC, SI, LwF, FROMP, DGR, BI-R, ER, A-GEM, iCaRL, Generative Classifier) em três cenários diferentes.

Os 200 principais repositórios de deep learning no GitHub, classificados pelo número de estrelas.

Uma simulação 2D em Unity na qual carros aprendem a navegar sozinhos por diferentes percursos. Os carros são controlados por uma rede neural feedforward. Os pesos da rede são treinados usando um algoritmo genético modificado.

Diagramas para visualizar arquiteturas de redes neurais

NeuPy é uma biblioteca Python baseada em Tensorflow para prototipagem e construção de redes neurais

Guia de aprendizado de máquina. Aprenda tudo sobre ferramentas, bibliotecas, frameworks, grandes modelos de linguagem (LLMs) e treinamento de modelos.

Biblioteca de Deep Learning (DLL) rápida para C++ (RNAs, CNNs, RBMs, DBNs...)

Aprenda sobre o processo de engenharia neuromórfica para criar sistemas de integração em grande escala (VLSI) contendo circuitos analógicos eletrônicos para imitar arquiteturas neurobiológicas.

🕵️‍♂️ Biblioteca projetada para desenvolvedores ansiosos por explorar o potencial de Grandes Modelos de Linguagem (LLMs) e outras IAs generativas por meio de uma abordagem limpa, eficaz e idiomática em Go.