In Jupyter Notebook geschriebene Bibliotheken

amazon-sagemaker-script-mode

Amazon SageMaker-Beispiele für vorgefertigte Framework-Modus-Container, auch bekannt als Skript-Modus, und mehr (BYO-Container und -Modelle usw.).
  • 161
  • Apache License 2.0

Coswara-Data

Datenspeicher des Projekts Coswara.
  • 161
  • GNU General Public License v3.0

datasets

Verschiedene interessante Datensätze, hauptsächlich Daten von der University of Illinois (von wadefagen).
  • 159

mstables

MorningStar.com-Scraper, der Zehntausende Finanzdatensätze in einer relationalen SQLite-Datenbank konsolidiert. Die Klasse „Dataframes“ konvertiert die SQLite-Daten problemlos in Pandas-DataFrames (Beispiele finden Sie im Jupyter-Notebook).
  • 158
  • MIT

elastic_transformers

BERT dehnbar machen. Semantische Elasticsearch mit Satztransformatoren.
  • 158
  • Apache License 2.0

EfficientWord-Net

OneShot Learning-basierte Hotword-Erkennung.
  • 157
  • Apache License 2.0

practical-data-engineering

Immobilien-Dolchster-Pipeline.
  • 157

Introduction_to_statistical_learning_summary_python

Zusammenfassung jedes Kapitels des Buches – Einführung in Statistical Learning (ISL), zusammen mit Python-Code und -Daten.
  • 157

benchmarks

Vergleichstools (von catboost).
  • 157
  • Apache License 2.0

dkt

Ein Tutorial zur Differentialkinematik von Manipulatoren.
  • 157
  • MIT

language-planner

Offizieller Code für „Sprachmodelle als Zero-Shot-Planer: Extrahieren von umsetzbarem Wissen für verkörperte Agenten“.
  • 155
  • MIT

Python-Mathematics-Handbook

Eine Reihe von Notizbüchern für eine Einführung in Python für Mathematiker.
  • 155
  • MIT

clip-italian

CLIP (Contrastive Language–Image Pre-training) für Italienisch.
  • 155

memorize

Code und reale Daten für „Enhancing Human Learning via Spaced Repetition Optimization“, PNAS 2019.
  • 155
  • MIT

causalai

Salesforce CausalAI-Bibliothek: Ein schnelles und skalierbares Framework für die kausale Analyse von Zeitreihen und Tabellendaten.
  • 155
  • BSD 3-clause "New" or "Revised"

administrative-scripting-with-julia

Leitfaden zum Schreiben von Shell-Skripten in Julia.
  • 154

crem

CReM: chemisch sinnvolles Mutationsgerüst.
  • 154
  • BSD 3-clause "New" or "Revised"

generativeAgent_LLM

Implementierung des Papiers „Generative Agents: Interactive Simulacra of Human Behavior“ mit Guidance und Langchain. Voller Funktionsumfang und Arbeit mit lokalen LLMs.
  • 154
  • MIT

labelme2coco

So erstellen Sie einen benutzerdefinierten COCO-Datensatz für die Instanzsegmentierung (von Tony607).
  • 154
  • GNU General Public License v3.0

Julia-on-Colab

Notizbuch zum Ausführen von Julia auf Google Colab.
  • 153
  • MIT

mgpt

Mehrsprachiges generatives vorab trainiertes Modell.
  • 153
  • Apache License 2.0

Open-Switch-Curve-Meter

  • 153
  • GNU General Public License v3.0

apple_m1_pro_python

Eine Sammlung von ML-Skripten zum Testen des M1 Pro MacBook Pro.
  • 151

UniPC

UniPC: Ein einheitliches Prädiktor-Korrektor-Framework für die schnelle Stichprobenerhebung von Diffusionsmodellen.
  • 151
  • MIT

Local-LLM-Comparison-Colab-UI

Vergleichen Sie die Leistung verschiedener LLM, die lokal auf Verbraucherhardware bereitgestellt werden können. Führen Sie sich selbst mit Colab WebUI aus.
  • 151

sanbomics_scripts

Skripte und Notizbücher von Sanbomics.
  • 150

scribepod

Einige der Skripte, die ich für scribepod verwende, sind https://scribepod.substack.com/, ein automatisierter KI-Podcast.
  • 150

ox-ipynb

Org-Modus-Exporter für Jupyter-Notebooks.
  • 150

detr-tensorflow

Tensorflow-Implementierung von DETR: Objekterkennung mit Transformatoren.
  • 149
  • MIT

diffusion_models

Minimales eigenständiges Beispiel eines Diffusionsmodells.
  • 148
  • MIT