美食分享网站建设策划书,做个h5页面要多少钱,做面包的公司网站,网站建设的功能需求大噶吼#xff0c;不说废话#xff0c;分享一波我最近看过并觉得非常硬核的资源#xff0c;包括Python、机器学习、深度学习、大模型等等。
1、超完整数据科学资料合集
地址#xff1a;https://github.com/krishnaik06/The-Grand-Complete-Data-Science-Materials
Pytho…大噶吼不说废话分享一波我最近看过并觉得非常硬核的资源包括Python、机器学习、深度学习、大模型等等。
1、超完整数据科学资料合集
地址https://github.com/krishnaik06/The-Grand-Complete-Data-Science-Materials
Python 数据分析和数据科学完整播放列表数据分析和数据科学的完整统计学播放列表数据分析和数据科学的完整 SQLGit 和 Github 教程探索性数据分析、特征工程和特征选择机器学习播放列表深度学习和自然语言处理完整播放列表生产部署的重要框架完整的 AWS Sagemaker 和 Sagemaker Studio 工具完整的 MLOPS 教程使用开源工具的端到端机器学习、深度学习和自然语言处理项目,直到部署生成式 AI 和 Open AI 播放列表PySpark 完整教程完整的数据科学、机器学习和深度学习面试题
2、机器学习算法实现的最小和最干净的例子
地址https://github.com/rushter/MLAlgorithms
这个项目有点老但是知识不老。主要面向希望学习机器学习算法内部原理,或者从零开始自己实现机器学习算法的人群。相比于高效优化的现成机器学习库,这个项目中的代码更容易理解和操作。所有的算法都是用 Python 实现的,利用了 numpy、scipy 和 autograd 这些库。
已经实现的算法包括:
深度学习(多层感知器、卷积神经网络、递归神经网络、长短期记忆网络)线性回归、逻辑回归随机森林支持向量机(线性核、多项式核、RBF 核)K均值聚类高斯混合模型K近邻朴素贝叶斯主成分分析(PCA)因子分解机受限玻尔兹曼机(RBM)t分布随机嵌入(t-SNE)梯度提升决策树(也称为 GBDT、GBRT、GBM、XGBoost)强化学习(深度 Q 学习)
3、机器学习面试
地址https://github.com/khangich/machine-learning-interview
包含了机器学习工程师面试常见问题的分享,包括来自 Facebook、Amazon、Google 等大公司的面试经历。作者 Pham An Khang 通过收集整理不同公司的面试题,并分享自己以及朋友的面试准备经验,帮助读者为机器学习岗位面试做准备。 4、深度学习论文精读
地址https://github.com/mli/paper-reading?tabreadme-ov-file 5、微软开源的promptbase
地址https://github.com/microsoft/promptbase
promptbase 微软开源的一系列资源、最佳实践和示例脚本,用于从 GPT-4 等基础模型中激发出最佳性能。号称All things prompt engineering关于提示工程的一切
6、苹果最新开源的机器学习框架
地址https://github.com/ml-explore/mlx
熟悉的 API:MLX 具有一个紧随 NumPy 的 Python API。MLX 还有一个功能齐全的 C API,与 Python API 密切相关。MLX 具有更高级的包,如 mlx.nn 和 mlx.optimizers,其 API 紧随 PyTorch,以简化构建更复杂的模型。
苹果同时还公布了mlx应用示例https://github.com/ml-explore/mlx-examples
示例包括
Transformer 语言模型训练使用 LLaMA 或 Mistral进行大规模文本生成混合专家(MoE)语言模型与 Mixtral 8x7B使用 LoRA进行参数高效微调。使用 Stable Diffusion 生成图像。使用 OpenAI 的 Whisper进行语音识别。使用 BERT进行双向语言理解在图结构数据上使用 GCN进行半监督学习
7、Mistralai client-python
地址https://github.com/mistralai/client-python
Mistral AI 发布的最近风头最盛的大模型Mixtral 8x7B这个库是Mistral AI官方开源的Python客户端可以直接调用Mistral AI API
