Maschinelles Lernen · GitHub

Schnelles und genaues maschinelles Lernen in 3 Codezeilen

🍊 :bar_chart: :bulb: Orange: Interaktive Datenanalyse

Bullet Physics SDK: real-time collision detection and multi-physics simulation for VR, games, visual effects, robotics, machine learning etc.

Official code for MAMMA: Markerless Accurate Multi-person Motion Acquisition.

LightGlue: Abgleich lokaler Merkmale mit Lichtgeschwindigkeit (ICCV 2023)

Skalierbare, portable und verteilte Gradient-Boosting-Bibliothek (GBDT, GBRT oder GBM) für Python, R, Java, Scala, C und weitere Sprachen. Läuft auf einem einzelnen Rechner sowie auf Hadoop, Spark, Dask, Flink und DataFlow.

Verteiltes, GPU-beschleunigtes Framework für evolutionäre Berechnung. Umfassende Bibliothek mit evolutionären Algorithmen und Benchmarkproblemen.

Ein plattformübergreifendes Tool zur Super-Resolution von Bildern

Persönliche Notizen zum Machine-Learning-Kurs von Andrew Ng

This project applies machine learning techniques in Python to analyze data, visualize feature relationships, and perform classification using models such as Decision Tree and Support Vector Machine. Model performance is evaluated through confusion matrices and graphical analysis.

A machine learning accelerator core designed for energy-efficient AI at the edge.

• RV32IMF_Zve32x RISC-V instruction set (specifically rv32imf_zve32x_zicsr_zifencei_zbb)
• 32-bit address space for applications and operating system kernels

Contains Solutions and Notes for the Machine Learning Specialization By Stanford University and Deeplearning.ai - Coursera (2022) by Prof. Andrew NG

LaTeX-Code zum Erstellen von Diagrammen neuronaler Netze

A simple, high-quality voice conversion tool focused on ease of use and performance.

基于深度强化学习的开源自动因子工厂。

Python 开源项目之「自学编程之路」，保姆级教程：AI实验室、宝藏视频、数据结构、学习指南、机器学习实战、深度学习实战、网络爬虫、大厂面经、程序人生、资源分享。

《推荐系统：工业架构与核心算法》AI Native 书稿｜章节 PDF、知识地图与本地学习 Agent， 网址：https://jhljx.github.io/RecSys-Industrial-Book/

NBA sports betting using machine learning

• Moneyline and totals predictions (XGBoost and Neural Net models).
• Expected value calculation and optional Kelly Criterion sizing.

Offenes Lakehouse-Format für multimodale KI. Konvertierung aus Parquet in 2 Codezeilen für 100-mal schnelleren wahlfreien Zugriff, Vektorindex und Datenversionierung. Kompatibel mit Pandas, DuckDB, Polars, Pyarrow und PyTorch; weitere Integrationen folgen.