Biblioteki napisane w Jupyter Notebook
TensorFlow-Examples
Samouczek i przykłady TensorFlow dla początkujących (obsługa TF v1 i v2).
- 42.9k
- GNU General Public License v3.0
PythonDataScienceHandbook
Podręcznik nauki o danych w języku Python: pełny tekst w notatnikach Jupyter.
- 39.0k
- MIT
segment-anything
Repozytorium zawiera kod do uruchamiania wnioskowania z modelem SegmentAnything Model (SAM), łącza do pobierania wyszkolonych punktów kontrolnych modelu oraz przykładowe notatniki, które pokazują, jak używać modelu.
- 36.6k
- Apache License 2.0
Made-With-ML
Dowiedz się, jak projektować, rozwijać, wdrażać i iterować aplikacje ML klasy produkcyjnej.
- 33.7k
- MIT
nn
🧑🏫 60 implementacji/samouczków dokumentów do głębokiego uczenia się z notatkami obok siebie 📝; w tym transformers (original, xl, switch, feedback, vit,...), optymalizatory (adam, adabelief, sophia,...), gans (cyclegan, stylegan2,...), 🎮 uczenie się przez wzmacnianie (ppo, dqn), capsnet, destylacja,... 🧠.
- 32.2k
- MIT
Probabilistic-Programming-and-Bayesian-Methods-for-Hackers
aka „Bayesowskie metody dla hakerów”: Wprowadzenie do metod bayesowskich + programowanie probabilistyczne z punktem widzenia najpierw obliczenia/zrozumienie, a potem matematyka. Wszystko w czystym Pythonie;).
- 25.7k
- MIT
handson-ml2
Seria notatników Jupyter, które przeprowadzą Cię przez podstawy uczenia maszynowego i uczenia głębokiego w Pythonie przy użyciu Scikit-Learn, Keras i TensorFlow 2.
- 25.3k
- Apache License 2.0
handson-ml
⛔️ PRZESTARZAŁE – Zamiast tego zobacz https://github.com/ageron/handson-ml3..
- 25.0k
- Apache License 2.0
homemade-machine-learning
🤖 Przykłady popularnych algorytmów uczenia maszynowego w Pythonie z interaktywnymi demonstracjami Jupytera i objaśnieniami matematycznymi.
- 21.6k
- MIT
pytudes
Programy w Pythonie, zazwyczaj krótkie, o sporym stopniu trudności, do doskonalenia określonych umiejętności.
- 20.6k
- MIT
pydata-book
Materiały i notatniki IPython dla „Python for Data Analysis” autorstwa Wesa McKinneya, opublikowane przez O'Reilly Media.
- 19.8k
- GNU General Public License v3.0
shap
Podejście oparte na teorii gier w celu wyjaśnienia wyników dowolnego modelu uczenia maszynowego.
- 19.8k
- MIT
reinforcement-learning
Implementacja algorytmów uczenia się ze wzmocnieniem. Python, siłownia OpenAI, Tensorflow. Ćwiczenia i rozwiązania towarzyszące książce Suttona i kursowi Davida Silvera.
- 19.2k
- MIT
CLIP
CLIP (Contrastive Language-Image Pretraining), Przewiduj najbardziej odpowiedni fragment tekstu na podstawie obrazu.
- 16.7k
- MIT
InvokeAI
InvokeAI to wiodący silnik kreatywny dla modeli Stable Diffusion, umożliwiający profesjonalistom, artystom i entuzjastom generowanie i tworzenie mediów wizualnych przy użyciu najnowszych technologii opartych na sztucznej inteligencji. Rozwiązanie oferuje wiodący w branży WebUI, obsługuje terminale za pośrednictwem CLI i służy jako podstawa dla wielu komercyjnych produktów.
- 16.7k
- Apache License 2.0
data
Dane i kod stojące za artykułami i grafiką w FiveThirtyEight.
- 16.3k
- Creative Commons Attribution 4.0
awesome-python-applications
💿 Darmowe oprogramowanie, które działa świetnie, a także jest open-source Python..
- 14.7k