Skip to content
Catégories de projets

Apprentissage automatique · GitHub

Explorez les outils pour entraîner, évaluer et exécuter des modèles, et comparez leur popularité.

Projets GitHub utiles

4,743 projets

neuralforecast

Nixtla

4,315étoiles+2in 24h

Des algorithmes neuronaux de prévision évolutifs et faciles à utiliser 🧠.

  • Fast and accurate implementations of more than 30 state-of-the-art models. See the entire collection here.
  • Support for exogenous variables and static covariates.
Apprentissage automatiquePythonApache-2.0GitHub

statsforecast

Nixtla

4,977étoiles+2in 24h

Prévisions ⚡️ ultrarapides à l’aide de modèles statistiques et économétriques.

  • Fastest and most accurate implementations of AutoARIMA, AutoETS, AutoCES, MSTL and Theta in Python.
  • Out-of-the-box compatibility with Spark, Dask, and Ray.
Apprentissage automatiquePythonApache-2.0GitHub

nndl-practice

nndl

3,568étoiles+2in 24h
nndl-practice preview

Réseaux de neurones et deep learning : cas et pratique, 2e édition : 10 chapitres de pratique avec PyTorch, des notebooks, des tests et un livre électronique.

Apprentissage automatiqueJupyter NotebookGitHub

physicsnemo

NVIDIA

3,439étoiles+2in 24h
physicsnemo preview

Framework open source de deep learning pour créer, entraîner et affiner des modèles de deep learning à l’aide de méthodes Physics-ML de pointe

Apprentissage automatiquePythonApache-2.0GitHub

sahi

obss

5,602étoiles+2in 24h
sahi preview

Inférence par découpage ou tuilage, indépendante du framework, interface interactive et graphiques d’analyse des erreurs

Apprentissage automatiquePythonMITGitHub

CTranslate2

OpenNMT

4,751étoiles+2in 24h

Moteur d’inférence rapide pour les modèles Transformer

  • Fast and efficient execution on CPU and GPUThe execution is significantly faster and requires less resources than general-purpose deep learning frameworks on supported models and tasks thanks to many advanced optimizations: layer fusion, padding removal, batch reordering, in-place operations, caching mechanism, etc.
  • Quantization and reduced precisionThe model serialization and computation support weights with reduced precision: 16-bit floating points (FP16), 16-bit brain floating points (BF16), 16-bit integers (INT16), 8-bit integers (INT8) and AWQ quantization (INT4).
Apprentissage automatiqueC++MITGitHub