In Jupyter Notebook geschriebene Bibliotheken

unet

unet zur Bildsegmentierung.
  • 4.3k
  • MIT

animegan2-pytorch

PyTorch-Implementierung von AnimeGANv2.
  • 4.2k
  • MIT

machine_learning_complete

Ein umfassendes Repository für maschinelles Lernen mit mehr als 30 Notebooks zu verschiedenen Konzepten, Algorithmen und Techniken.
  • 4.2k
  • MIT

ayu

🎨🖌 Modernes Sublime-Text-Thema.
  • 4.2k
  • MIT

tensorflow-deep-learning

Alle Kursmaterialien für den Kurs „Zero to Mastery Deep Learning mit TensorFlow“. (von mrdbourke).
  • 4.1k
  • MIT

gpt-prompt-engineer

  • 4.1k
  • MIT

ISLR-python

Eine Einführung in das statistische Lernen (James, Witten, Hastie, Tibshirani, 2013): Python-Code.
  • 4.1k
  • MIT

distiller

Neural Network Distiller von Intel AI Lab: ein Python-Paket für die Komprimierungsforschung neuronaler Netzwerke. https://intellibs.github.io/distiller.
  • 4.1k
  • Apache License 2.0

python-machine-learning-book-3rd-edition

Das Buchcode-Repository „Python Machine Learning (3. Auflage)“.
  • 4.0k
  • MIT

nlpaug

Datenerweiterung für NLP.
  • 4.0k
  • MIT

pattern_classification

Eine Sammlung von Tutorials und Beispielen zum Lösen und Verstehen von maschinellen Lern- und Musterklassifizierungsaufgaben.
  • 4.0k
  • GNU General Public License v3.0 only

machine_learning_basics

Einfache Python-Implementierungen grundlegender Algorithmen für maschinelles Lernen.
  • 4.0k
  • MIT

pml-book

„Probabilistic Machine Learning“ – eine Buchreihe von Kevin Murphy.
  • 4.0k
  • MIT

pytorch-sentiment-analysis

Tutorials zu den ersten Schritten mit PyTorch und TorchText für die Stimmungsanalyse.
  • 4.0k
  • MIT

probability

Probabilistisches Denken und statistische Analyse in TensorFlow.
  • 3.9k
  • Apache License 2.0

silero-models

Silero-Modelle: vorab trainierte Speech-to-Text-, Text-to-Speech- und Textverbesserungsmodelle, die peinlich einfach gemacht sind.
  • 3.8k
  • GNU General Public License v3.0

simple-faster-rcnn-pytorch

Eine vereinfachte Implementierung von Faster R-CNN, die die Leistung des Originalpapiers reproduziert.
  • 3.8k
  • GNU General Public License v3.0

Data-science

Sammlung nützlicher datenwissenschaftlicher Themen zusammen mit Artikeln, Videos und Code (von khuyentran1401).
  • 3.8k

Inpaint-Anything

Bemalen Sie alles mit „Segment Anything“ und „Inpainting“-Modellen.
  • 3.8k
  • Apache License 2.0

Quantum

Beispiele für das Microsoft Quantum Development Kit (von Microsoft).
  • 3.7k
  • MIT

MachineLearningNotebooks

Python-Notebooks mit ML und Deep-Learning-Beispielen mit dem Azure Machine Learning Python SDK | Microsoft.
  • 3.7k
  • MIT

tsai

Zeitreihen Zeitreihen Deep Learning Maschinelles Lernen Pytorch fastai | Hochmoderne Deep-Learning-Bibliothek für Zeitreihen und Sequenzen in Pytorch / Fastai.
  • 3.7k
  • Apache License 2.0

evidently

Bewerten und überwachen Sie ML-Modelle von der Validierung bis zur Produktion. Treten Sie unserem Discord bei: https://discord.com/invite/xZjKRaNp8b.
  • 3.7k
  • Apache License 2.0

ta

Technische Analysebibliothek mit Pandas und Numpy.
  • 3.7k
  • MIT

monodepth2

[ICCV 2019] Monokulare Tiefenschätzung aus einem einzelnen Bild.
  • 3.7k
  • GNU General Public License v3.0

Reinforcement-Learning

Lernen Sie Deep Reinforcement Learning in 60 Tagen! Vorlesungen & Code in Python. Reinforcement Learning + Deep Learning (von andri27-ts).
  • 3.7k
  • MIT

PyPortfolioOpt

Optimierung des Finanzportfolios in Python, einschließlich klassischer effizienter Grenze, Black-Litterman und hierarchischer Risikoparität.
  • 3.6k
  • MIT

simclr

SimCLRv2 – Große selbstüberwachte Modelle sind starke halbüberwachte Lernende.
  • 3.6k
  • Apache License 2.0

handson-ml3

Eine Reihe von Jupyter-Notizbüchern, die Sie durch die Grundlagen des maschinellen Lernens und des Deep Learning in Python mit Scikit-Learn, Keras und TensorFlow 2 führen.
  • 3.6k
  • Apache License 2.0

Azure-Sentinel

Cloud-natives SIEM für intelligente Sicherheitsanalysen für Ihr gesamtes Unternehmen.
  • 3.5k
  • MIT