Bibliotecas escritas en Jupyter Notebook

amazon-sagemaker-script-mode

Ejemplos de Amazon SageMaker para contenedores de modo de marco prediseñados, también conocido como modo de secuencia de comandos, y más (contenedores y modelos BYO, etc.).
  • 161
  • Apache License 2.0

Coswara-Data

Repositorio de datos del Proyecto Coswara.
  • 161
  • GNU General Public License v3.0

datasets

Varios conjuntos de datos interesantes, en su mayoría datos de la Universidad de Illinois (por wadefagen).
  • 159

mstables

Raspador de MorningStar.com que consolida decenas de miles de registros financieros en una base de datos relacional SQLite. La clase 'marcos de datos' convierte fácilmente los datos de SQLite en marcos de datos de pandas (consulte el cuaderno de Jupyter para ver ejemplos).
  • 158
  • MIT

elastic_transformers

Haciendo BERT elástico. Búsqueda elástica semántica con transformadores de oraciones.
  • 158
  • Apache License 2.0

EfficientWord-Net

Detección de palabras activas basada en OneShot Learning.
  • 157
  • Apache License 2.0

practical-data-engineering

Tubería dagster de bienes raíces.
  • 157

Introduction_to_statistical_learning_summary_python

Resumen de cada capítulo del libro: Introducción al aprendizaje estadístico (ISL), junto con el código y los datos de Python.
  • 157

benchmarks

Herramientas de comparación (por catboost).
  • 157
  • Apache License 2.0

dkt

Un tutorial sobre la cinemática diferencial del manipulador.
  • 157
  • MIT

language-planner

Código oficial para "Modelos de lenguaje como planificadores de tiro cero: extracción de conocimiento procesable para agentes incorporados".
  • 155
  • MIT

Python-Mathematics-Handbook

Un conjunto de cuadernos para una introducción a Python para matemáticos.
  • 155
  • MIT

clip-italian

CLIP (Pre-entrenamiento de Lenguaje Contrastivo-Imagen) para italiano.
  • 155

memorize

Código y datos reales para "Mejorar el aprendizaje humano a través de la optimización de la repetición espaciada", PNAS 2019.
  • 155
  • MIT

causalai

Biblioteca CausalAI de Salesforce: un marco rápido y escalable para el análisis causal de series temporales y datos tabulares.
  • 155
  • BSD 3-clause "New" or "Revised"

administrative-scripting-with-julia

Guía para escribir scripts de shell en Julia.
  • 154

crem

CReM: marco de mutaciones químicamente razonables.
  • 154
  • BSD 3-clause "New" or "Revised"

generativeAgent_LLM

Implementación del paper "Agentes Generativos: Simulacros Interactivos del Comportamiento Humano" con Guidance y Langchain. Funciones completas y trabajo con LLM locales.
  • 154
  • MIT

labelme2coco

Cómo crear un conjunto de datos COCO personalizado para la segmentación de instancias (por Tony607).
  • 154
  • GNU General Public License v3.0

Julia-on-Colab

Bloc de notas para ejecutar Julia en Google Colab.
  • 153
  • MIT

mgpt

Modelo Preentrenado Generativo Multilingüe.
  • 153
  • Apache License 2.0

Open-Switch-Curve-Meter

  • 153
  • GNU General Public License v3.0

apple_m1_pro_python

Una colección de scripts ML para probar el M1 Pro MacBook Pro.
  • 151

UniPC

UniPC: un marco predictor-corrector unificado para el muestreo rápido de modelos de difusión.
  • 151
  • MIT

Local-LLM-Comparison-Colab-UI

Compare el rendimiento de diferentes LLM que se pueden implementar localmente en hardware de consumo. Ejecútese usted mismo con Colab WebUI..
  • 151

sanbomics_scripts

guiones y cuadernos de sanbomics.
  • 150

scribepod

Algunos de los scripts que uso para scribepod @ https://scribepod.substack.com/, un podcast automatizado de IA.
  • 150

ox-ipynb

Exportador en modo org a portátiles Jupyter.
  • 150

detr-tensorflow

Implementación de Tensorflow de DETR: detección de objetos con transformadores.
  • 149
  • MIT

diffusion_models

Ejemplo independiente mínimo de modelo de difusión.
  • 148
  • MIT