hyperparameter-tuning

Nền tảng nhà phát triển AI. Sử dụng Weights & Biases để huấn luyện và tinh chỉnh mô hình, đồng thời quản lý mô hình từ giai đoạn thử nghiệm đến sản xuất.

Nền tảng tính toán AI dành cho các nhóm tiên phong. SkyPilot biến các tài nguyên tính toán AI rời rạc thành một siêu máy tính AI duy nhất, giúp các nhóm AI tiên phong xây dựng trí tuệ tùy chỉnh nhanh hơn.

Học máy tự động với scikit-learn

Ghi chú, bài tập lập trình và trắc nghiệm từ tất cả các khóa học trong chuyên ngành Deep Learning của Coursera do deeplearning.ai cung cấp: (i) Mạng thần kinh và Deep Learning; (ii) Cải thiện mạng thần kinh sâu: Điều chỉnh siêu tham số, Chuẩn hóa và Tối ưu hóa; (iii) Cấu trúc các dự án Machine Learning; (iv) Mạng thần kinh tích chập; (v) Mô hình chuỗi

Determined là một nền tảng học máy mã nguồn mở giúp đơn giản hóa quá trình huấn luyện phân tán, tinh chỉnh siêu tham số, theo dõi thí nghiệm và quản lý tài nguyên. Hoạt động với PyTorch và TensorFlow.

Khung huấn luyện cho các agent học tăng cường Stable Baselines3, bao gồm tối ưu hóa siêu tham số và các agent được huấn luyện sẵn.

Machine Learning tự động trên Kubernetes

Giao diện nghiên cứu dựa trên Python dành cho tối ưu hóa hộp đen và siêu tham số, dựa trên dịch vụ nội bộ Google Vizier.

🔥 Một AI agent tự động chạy các thí nghiệm deep learning của bạn 24/7 khi bạn đang ngủ. Giám sát chi phí bằng không, kiến trúc Leader-Worker, bộ nhớ kích thước cố định.

SMAC3: Một gói tối ưu hóa Bayes linh hoạt để tối ưu hóa siêu tham số.

HyperView là phòng thí nghiệm chiến lược TradingView dành cho terminal, dùng để tải xuống dữ liệu thị trường, kiểm thử chiến lược Python với hànhvi giống Pine, và tối ưu hóa tham số SL/TP.

Tối ưu hóa học tăng cường với RLOps. Các thuật toán và công cụ RL tiên tiến, với tốc độ huấn luyện nhanh hơn 10 lần nhờ tối ưu hóa siêu tham số tiến hóa.

EvalML là một thư viện AutoML được viết bằng Python.

OCTIS: So sánh các mô hình chủ đề thật đơn giản! Một gói Python để tối ưu hóa và đánh giá các mô hình chủ đề (được chấp nhận tại EACL2021 demo track)

Triển khai/Hướng dẫn sử dụng các phương pháp Học máy tự động (AutoML) cho học tĩnh/hàng loạt và học trực tuyến/liên tục

Thư viện AutoML sạch nhất thế giới ✨ - Thực hiện điều chỉnh siêu tham số với các trừu tượng đường ống phù hợp để viết các đường ống học sâu sản xuất sạch. Cho phép các bước đường ống của bạn có không gian siêu tham số. Thiết kế các bước trong đường ống của bạn như các thành phần. Tương thích với Scikit-Learn, TensorFlow và hầu hết các thư viện, khung và môi trường MLOps khác

AI có khả năng giải thích cho con người.