machine-learning

Implementação agnóstica de framework para métodos de saliência de última geração (XRAI, BlurIG, SmoothGrad e mais).

Todas as folhas de dicas de Stanford: Inteligência Artificial, Transformers, LLMs, Deep Learning, Machine Learning, Probabilidades, Estatística, Álgebra e Cálculo.

🔍 LangKit: Um toolkit de código aberto para monitorar Large Language Models (LLMs). 📚 Extrai sinais de prompts e respostas, garantindo segurança. 🛡️ Os recursos incluem qualidade de texto, métricas de relevância e análise de sentimento. 📊 Uma ferramenta abrangente para observabilidade de LLMs. 👀

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

Kit de ferramentas de percepção para treinamento e validação sim2real no Unity

Análise de sobrevivência com PyTorch

Uma ferramenta para converter arquivos ONNX para LiteRT/TFLite/TensorFlow, código nativo PyTorch (nn.Module), TorchScript (.pt), state_dict (.pt), Exported Program (.pt2) e Dynamo ONNX. Também suporta conversão direta de LiteRT para PyTorch.

Hub de modelos pré-treinados para Keras 3.

Molecular Sets (MOSES): Uma plataforma de benchmark para modelos de geração molecular

[Livro-2021] Practical MLOps, livro da O'Reilly

Construa agentes de IA a partir dos princípios fundamentais usando um LLM local - sem frameworks, sem APIs em nuvem, sem raciocínio oculto.

O Sparkling Water fornece funcionalidade H2O dentro do cluster Spark

A ideia desta lista é coletar dados compartilhados e algoritmos sobre Modelos Morfáveis 3D. Você está convidado a contribuir adicionando um pull request. A lista original surgiu a partir do seminário Dagstuhl sobre Modelos Morfáveis 3D em março de 2019.

Biblioteca para operações especializadas em matrizes densas e esparsas, e primitivas de deep learning.

Recursos, exemplos e tutoriais para IA multimodal, RAG e agentes usando busca vetorial e LLMs

Interface R para o Apache Spark

OmniXAI: Uma biblioteca para IA explicável.

Blog técnico de algoritmos de aprendizado de máquina em Python, com conteúdo original prático e código de implementação!

Bem-vindo ao repositório de e-books de Data Science! Esta coleção oferece diversos e-books de alta qualidade sobre Data Science, Machine Learning e IA. Perfeito tanto para iniciantes quanto para alunos avançados, explore estes recursos para aprofundar seu conhecimento e habilidades.

Modelos Transformer de BERT a GPT-4, ambientes de Hugging Face a OpenAI. Exemplos de fine-tuning, treinamento e prompt engineering. Uma seção bônus com ChatGPT, GPT-3.5-turbo, GPT-4 e DALL-E, incluindo inicialização de GPT-4, speech-to-text, text-to-speech, geração de texto para imagem com DALL-E, Google Cloud AI, HuggingGPT e muito mais

Livro de Machine Learning Q e AI

Conjuntos de dados de áudio de IA (AI-ADS) 🎵, incluindo fala, música e efeitos sonoros, que podem fornecer dados de treinamento para IA generativa, AIGC, treinamento de modelos de IA, desenvolvimento de ferramentas de áudio inteligentes e aplicações de áudio.

PyGCL: Uma biblioteca PyTorch para aprendizado contrastivo de grafos.

Exemplos de TensorFlow Lite no Unity

NequIP é um código para construir potenciais interatômicos E(3)-equivariantes.

Um compilador poliédrico para expressar algoritmos de processamento paralelo de dados rápidos e portáveis.

Um framework Python eficiente, escalável e otimizado para Deep Forest (2021.2.1)

Um tutorial para a competição Titanic: Machine Learning from Disaster do Kaggle. Demonstra técnicas básicas de tratamento, análise e visualização de dados. Mostra exemplos de técnicas de aprendizado de máquina supervisionado.

Código-fonte para o modelo de diálogo de ponta a ponta do artigo MultiWOZ (Budzianowski et al. 2018, EMNLP)