Awesome GitHub RepositoriesSequential Pattern Analysis

This project provides a collection of practical machine learning code examples, including implementations for supervised, unsupervised, and reinforcement learning algorithms. It features deep learning model implementations for convolutional, recurrent, and generative architectures, alongside specific examples of reinforcement learning agents that maximize rewards in simulated environments. The repository includes dedicated data preprocessing pipelines for sanitization, feature scaling, and dimensionality reduction. It also provides implementations for a wide range of specific models, such as

This PyTorch-based deep learning library provides a framework for analyzing and forecasting temporal data. It implements specialized architectures for time series forecasting, anomaly detection, data imputation, and classification. The project distinguishes itself through the inclusion of zero-shot inference capabilities, allowing large-scale temporal models to be evaluated on unseen datasets without requiring task-specific fine-tuning. The framework covers a broad range of analytical capabilities, including the recovery of missing values in incomplete datasets, the identification of irregul

This repository is a collection of practical deep learning implementations and examples built using the TensorFlow framework. It provides a variety of neural network architectures focusing on natural language processing, recommendation systems, reinforcement learning, and time series prediction. The project features a range of specialized models, including sequence-to-sequence and transformer architectures for text processing, and factorization machines for personalized ranking and retrieval. It also includes implementations of reinforcement learning agents using actor-critic and policy gradi

Lihang est une bibliothèque et un framework d'algorithmes d'apprentissage statistique fournissant des implémentations de modèles de machine learning supervisés et non supervisés. Il fonctionne comme un dépôt de référence qui traduit les théories de l'apprentissage statistique en code exécutable pour la classification de données et la reconnaissance de formes. Le projet propose des outils spécialisés pour l'implémentation de modèles probabilistes, utilisant l'estimation de vraisemblance et les méthodes bayésiennes pour déterminer les paramètres de modèle optimaux. Il inclut un outil d'étiquetage de données séquentielles pour identifier des modèles dans des séquences de données ordonnées et prend en charge la classification binaire linéaire et non linéaire. Le framework couvre un large éventail de capacités de machine learning, incluant l'analyse de données non supervisée pour le clustering et l'analyse de sujets, ainsi qu'un pipeline pour la récupération automatisée de bibliographie académique et de documents de référence. Le projet intègre des notebooks interactifs pour l'analyse de données itérative et la vérification de modèles.

Ce projet est une collection de supports de cours sur le deep learning avec PyTorch, composée de projets pratiques et d'exercices de programmation. Il se concentre sur l'implémentation d'architectures de réseaux de neurones et l'entraînement de modèles pour résoudre des problèmes de données complexes. Le dépôt inclut une suite de projets de vision par ordinateur pour construire des classificateurs d'images, des auto-encodeurs et des applications de transfert de style. Il propose un laboratoire sur les réseaux antagonistes génératifs (GAN) pour créer des images synthétiques et des implémentations spécifiques pour le transfert d'apprentissage afin d'adapter des poids pré-entraînés à de nouvelles tâches. La base de code couvre l'analyse de données séquentielles pour le traitement du langage naturel (NLP) en utilisant des réseaux de neurones récurrents et des plongements de mots (word embeddings). Des capacités supplémentaires incluent le prétraitement des données d'image, l'évaluation des performances des modèles et le déploiement de modèles entraînés sur une infrastructure cloud. Les supports sont fournis sous forme de série de Jupyter Notebooks.

Ce projet est une bibliothèque d'algorithmes de data mining et une implémentation de référence pour le machine learning. Il fournit une collection d'outils pour effectuer la classification, le clustering et l'exploration de règles d'association, ainsi qu'une boîte à outils pour l'optimisation inspirée de la nature. La bibliothèque inclut des utilitaires spécialisés pour l'exploration de graphes et de séquences, permettant l'extraction de sous-graphes fréquents et de modèles séquentiels. Elle dispose également d'un utilitaire de réduction de dimensionnalité qui utilise la théorie des ensembles approximatifs (rough set theory) pour supprimer les attributs redondants des jeux de données. Le projet couvre un large éventail de capacités analytiques, notamment l'analyse de réseaux et de graphes pour classer l'importance des nœuds, ainsi que l'utilisation de modèles probabilistes et d'arbres de décision pour la classification des données. Il implémente également des méthodes basées sur la distance et la densité pour le regroupement de données et des modèles de recherche heuristiques pour résoudre des problèmes d'optimisation complexes.

Ce dépôt sert de ressource éducative pour apprendre le deep learning et le développement de réseaux de neurones via le framework Keras. Il fournit une collection de tutoriels interactifs et d'échantillons de code documentés conçus pour guider les utilisateurs à travers la construction, l'entraînement et l'évaluation de modèles d'apprentissage automatique. Le projet se concentre sur des implémentations pratiques dans plusieurs domaines, y compris la vision par ordinateur, le traitement du langage naturel et l'analyse de données séquentielles. Les utilisateurs peuvent explorer des flux de travail pour la classification d'images, la détection d'objets et la reconnaissance faciale, ainsi que des techniques pour transformer le texte en formats lisibles par machine. Les matériaux sont organisés sous forme d'une série de notebooks Jupyter, permettant une exécution itérative et une visualisation en temps réel des métriques d'entraînement des modèles. Ces notebooks démontrent comment utiliser des interfaces de haut niveau pour gérer des opérations mathématiques complexes, le prétraitement des données et la composition modulaire de modèles basée sur des couches.