Awesome GitHub RepositoriesMini-Batch Processing

This repository contains programming assignments and lecture notes from Andrew Ng's foundational deep learning course specialization on Coursera. The materials cover core neural network training techniques including optimization algorithms, normalization methods, regularization approaches, parameter initialization strategies, and learning rate scheduling to improve model convergence and generalization. The coursework explores design principles where successive neural network layers learn progressively more abstract feature representations from input data. It provides guidance on selecting ope

Este proyecto es una serie de tutoriales de aprendizaje profundo y un currículo educativo diseñado para enseñar los fundamentos de PyTorch. Sirve como una guía de entrenamiento estructurada para dominar la arquitectura de redes neuronales, la diferenciación automática y el uso de tensores y grafos de computación dinámica. El currículo se centra en implementaciones prácticas, guiando específicamente el desarrollo de sistemas de recomendación, modelos de publicidad y redes de interés para predecir las preferencias del usuario. También proporciona contenido instructivo para el pronóstico de series temporales y el procesamiento de datos secuenciales. El material cubre una amplia gama de capacidades de aprendizaje profundo, incluyendo la construcción de modelos para clasificación de imágenes y texto, así como datos estructurados. Incorpora flujos de trabajo para aceleración por GPU, visualización de métricas de entrenamiento y la creación de interfaces basadas en web para probar las predicciones del modelo. El proyecto se entrega como una colección de Jupyter Notebooks.

River es un framework de Python para machine learning online, diseñado para entrenar y evaluar modelos en datos de streaming. Permite el aprendizaje incremental actualizando los parámetros del modelo una observación a la vez, eliminando la necesidad de almacenar datasets de entrenamiento completos en memoria. La librería se distingue por un sistema dedicado de detección de concept drift que monitorea cambios en las distribuciones de datos para disparar la adaptación del modelo. También proporciona un framework de validación progresiva que simula el despliegue en tiempo real probando modelos en muestras antes de usarlos para el entrenamiento. El sistema cubre un amplio rango de capacidades de streaming, incluyendo ingeniería de características en tiempo real, pronóstico de series temporales y detección de anomalías online. Soporta aprendizaje no supervisado mediante clustering incremental y árboles de decisión, así como agregación de ensamblajes y políticas de bandidos para la selección de modelos. El proyecto incluye utilidades para la ingesta de datos de streaming desde fuentes como archivos CSV y APIs, así como herramientas para calcular estadísticas en ejecución y sketches de datos eficientes en memoria.

Este proyecto es un curso educativo de aprendizaje profundo y una guía de implementación diseñada para construir y entrenar redes neuronales. Proporciona un plan de estudios para desarrollar modelos que resuelvan tareas de reconocimiento de patrones y generación. El material incluye módulos especializados para entrenamiento en visión artificial, procesamiento de lenguaje natural e IA generativa. Cubre la aplicación práctica del aprendizaje por transferencia (transfer learning) para clasificar nuevos datos y la creación de medios sintéticos. El proyecto abarca el diseño de arquitecturas de red, la construcción de pipelines de datos de aprendizaje automático y el uso de diagnósticos de rendimiento del modelo para identificar subajuste (underfitting) o sobreajuste (overfitting). El contenido se entrega a través de Jupyter Notebooks.

PyTorchZeroToAll es un recurso educativo y colección de tutoriales centrados en el deep learning y el framework PyTorch. Proporciona una ruta de aprendizaje estructurada para implementar arquitecturas de redes neuronales, desde la sintaxis básica del lenguaje y fundamentos hasta el diseño de modelos complejos. El proyecto sirve como guía de implementación para construir varios tipos de redes, incluyendo redes lineales, logísticas, convolucionales y recurrentes. Cubre específicamente el flujo de trabajo para el modelado de secuencias mediante el uso de mecanismos de atención y redes a nivel de carácter. El recurso también cubre la preparación de datos para machine learning, incluyendo el uso de cargadores de datasets personalizados, herramientas de procesamiento de texto y la traducción de archivos fuente crudos a tensores para pipelines de entrenamiento.

This project is a collection of structured study notes and notebooks serving as an educational resource for deep learning and neural network fundamentals. It provides a technical reference for implementing machine learning theory, covering everything from basic network design to the construction of advanced architectures. The material specifically focuses on the implementation of convolutional neural networks for computer vision and sequence models for natural language processing. It includes detailed guidance on building object detection systems, face recognition, and speech transcription mo