2 रिपॉजिटरी
Awesome GitHub RepositoriesFlat Dictionary Serialization
Conversion of nested object structures into single-level dictionaries using keyed paths.
Distinct from Model-to-Dictionary Serialization: Distinct from model-to-dictionary serialization as it focuses on structural flattening for general object preservation.
Explore 2 awesome GitHub repositories matching data & databases · Flat Dictionary Serialization. Refine with filters or upvote what's useful.
Awesome Flat Dictionary Serialization GitHub Repositories
AI के साथ बेहतरीन रिपॉजिटरी खोजें।हम AI का उपयोग करके सबसे सटीक रिपॉजिटरी खोजेंगे।
- awslabs/gluon-ts
awslabs/gluon-ts
5,200GitHub पर देखेंGluonTS, प्रोबेबिलिस्टिक टाइम सीरीज़ फोरकास्टिंग के लिए एक फ्रेमवर्क है, जिसे भविष्य के मूल्यों की भविष्यवाणी कॉन्फिडेंस इंटरवल्स के साथ प्रायिकता वितरण (probability distributions) के रूप में करने के लिए डिज़ाइन किया गया है। यह पारंपरिक मॉडल प्रशिक्षण और ज़ीरो-शॉट फोरकास्टिंग दोनों को सपोर्ट करता है, जहाँ प्रीट्रेन्ड मॉडल्स अतिरिक्त प्रशिक्षण के बिना नई सीरीज़ के लिए भविष्यवाणियां उत्पन्न करते हैं। प्रोजेक्ट विभिन्न प्रकार के फोरकास्टिंग दृष्टिकोणों को एक यूनिफाइड वर्कफ़्लो में इंटीग्रेट करके अलग है। इसमें रिकरेंट न्यूरल नेटवर्क्स और कैज़ुअल कन्वेल्शन्स जैसे डीप लर्निंग आर्किटेक्चर, साथ ही बाहरी सांख्यिकीय मॉडल्स, Prophet लाइब्रेरी और R पैकेजेस का इंटीग्रेशन शामिल है। टूलकिट टाइम सीरीज़ डेटा इंजीनियरिंग के लिए एक व्यापक सतह प्रदान करती है, जिसमें डेटासेट स्केलिंग, स्प्लिटिंग और रॉ टेम्पोरल डेटा को टेंसर्स में बदलना शामिल है। यह फोरकास्ट सटीकता और अनिश्चितता अंतराल को मापने के लिए मूल्यांकन टूल्स का एक सूट भी शामिल करती है।
Converts nested objects into single-level dictionaries with keyed paths to preserve hierarchical structure during serialization.
Python - awslabs/gluonts
awslabs/gluonts
5,199GitHub पर देखेंGluonTS एक प्रोबेबिलिस्टिक टाइम सीरीज़ लाइब्रेरी और डीप लर्निंग फोरकास्टिंग फ्रेमवर्क है। यह न्यूरल नेटवर्क आर्किटेक्चर बनाने, प्रशिक्षित करने और मूल्यांकन करने के लिए एक टूलकिट प्रदान करता है, जो अनिश्चितता को मापने के लिए भविष्य के मूल्यों को प्रायिकता वितरण (probability distributions) के रूप में अनुमानित करते हैं। यह प्रोजेक्ट ज़ीरो-शॉट फोरकास्टिंग का समर्थन करके और डीप प्रोबेबिलिस्टिक न्यूरल नेटवर्क तथा Prophet और R forecast जैसी बाहरी सांख्यिकीय लाइब्रेरी के लिए रैपर सहित विविध मॉडलिंग दृष्टिकोणों को एकीकृत करके खुद को अलग करता है। यह सूचना रिसाव को रोकने और लेटेंट रिप्रेजेंटेशन को वैध प्रायिकता वितरण में मैप करने के लिए कैज़ुअल कन्वोल्यूशन और इनवर्टिबल रेसिड्यूअल नेटवर्क जैसे विशेष आर्किटेक्चरल प्रिमिटिव्स को लागू करता है। यह फ्रेमवर्क टाइम सीरीज़ स्केलिंग, बाइजेक्टिव ट्रांसफॉर्मेशन और पदानुक्रमित मॉडलिंग सहित एक व्यापक डेटा इंजीनियरिंग सतह को कवर करता है। यह उच्च-प्रदर्शन डेटासेट स्ट्रीमिंग और रैंडम-एक्सेस प्रबंधन के लिए Apache Arrow और Parquet का उपयोग करता है। मॉडल मूल्यांकन के लिए, इसमें क्वांटाइल लॉस और कंटीन्यूअस रैंक प्रोबेबिलिटी स्कोर जैसे मेट्रिक्स का उपयोग करके पूर्वानुमान सटीकता और प्रोबेबिलिस्टिक कवरेज को मापने के लिए एक मूल्यांकन सूट शामिल है। यह लाइब्रेरी Amazon SageMaker के साथ एकीकरण के माध्यम से मॉडल परिनियोजन (deployment) का समर्थन करती है।
Converts nested object structures into single-level dictionaries with dotted keys to simplify storage.
Pythonartificial-intelligenceawsdata-science
