ML Notebooks

? Notizbücher für maschinelles Lernen

Dieses Repo enthält Machine-Learning-Notebooks für verschiedene Aufgaben und Anwendungen. Die Notizbücher sollen minimal, leicht wiederverwendbar und erweiterbar sein. Es steht Ihnen frei, sie für Bildungs- und Forschungszwecke zu verwenden.

Dieses Repo unterstützt Codespaces!

• Erstellen Sie eine neue Instanz, indem Sie auf die grüne Schaltfläche "<> Code" und anschließend auf die Option "Configure and create codespace" klicken. Stellen Sie sicher, dass Sie die mit diesem Repository bereitgestellte Entwicklungscontainerkonfiguration auswählen. Dadurch wird eine Umgebung eingerichtet, in der alle Abhängigkeiten installiert und einsatzbereit sind.
• Sobald der Codespace vollständig ausgeführt wird, können Sie alle Bibliotheken installieren, die Sie zum Ausführen der Notebooks im Ordner /notebooks benötigen. Öffnen Sie ein Terminal und führen Sie einfach conda create --name myenv --file spec-file.txt aus, um alle Python-Bibliotheken einschließlich PyTorch zu installieren.
• Aktivieren Sie Ihre Umgebung conda activate myenv . Möglicherweise müssen Sie conda init zsh oder die von Ihnen verwendete Shell ausführen und dann das Terminal schließen und erneut öffnen.
• Abschließend können Sie testen, ob alles funktioniert, indem Sie ein Notizbuch wie /notebooks/bow.ipynb öffnen.

---

Erste Schritte

Name	Beschreibung	Notizbuch
Einführung in Computergraphen	Ein grundlegendes Tutorial zum Erlernen von Rechendiagrammen
PyTorch Hallo Welt!	Bauen Sie ein einfaches neuronales Netzwerk auf und trainieren Sie es
Eine sanfte Einführung in PyTorch	Eine ausführliche Erklärung zur Einführung in die PyTorch-Konzepte
Kontrafaktische Erklärungen	Ein grundlegendes Tutorial zum Erlernen kontrafaktischer Erklärungen für erklärbare KI
Lineare Regression von Grund auf	Eine Implementierung der linearen Regression von Grund auf unter Verwendung eines stochastischen Gradientenabstiegs
Logistische Regression von Grund auf	Eine Implementierung der logistischen Regression von Grund auf
Prägnante logistische Regression	Präzise Implementierung eines logistischen Regressionsmodells zur binären Bildklassifizierung.
Erstes neuronales Netzwerk – Bildklassifikator	Erstellen Sie mit MNIST einen minimalen Bildklassifikator
Neuronales Netzwerk von Grund auf	Eine Implementierung eines einfachen neuronalen Netzwerks von Grund auf
Einführung in GNNs	Einführung in graphische neuronale Netze. Wendet grundlegendes GCN auf den Cora-Datensatz zur Knotenklassifizierung an.

NLP

Name	Beschreibung	Notizbuch
Bag of Words Textklassifizierer	Erstellen Sie einen einfachen Textklassifizierer mit Wörtern.
Continuous Bag of Words (CBOW) Textklassifikator	Erstellen Sie einen kontinuierlichen Textklassifikator für Wörter.
Deep Continuous Bag of Words (Deep CBOW) Textklassifikator	Erstellen Sie einen umfassenden, kontinuierlichen Textklassifizierer für Wörter.
Erweiterung von Textdaten	Eine Einführung in die am häufigsten verwendeten Datenerweiterungstechniken für Text und deren Implementierung
Emotionsklassifizierung mit fein abgestimmtem BERT	Emotionsklassifizierung mithilfe eines fein abgestimmten BERT-Modells

Transformatoren

Name	Beschreibung	Notizbuch
Textklassifizierung mit Transformer	Eine Implementierung von Aufmerksamkeitsmechanismus und Positionseinbettungen für eine Textklassifizierungsaufgabe
Neuronale maschinelle Übersetzung mit Transformer	Eine Implementierung von Transformer zur Übersetzung von menschenlesbaren Daten in jedem Format in das Format JJJJ-MM-TT.
Feature-Tokenizer-Transformer	Eine Implementierung von Feature Tokenizer Transformer für eine Klassifizierungsaufgabe
Erkennung benannter Entitäten mit Transformer	Eine Implementierung von Transformer zur Durchführung einer Token-Klassifizierung und zur Identifizierung von Arten in PubMed-Abstracts
Extraktive Fragebeantwortung mit Transformer	Eine Implementierung von Transformer zur Durchführung extraktiver Fragenbeantwortung

Computer Vision

Name	Beschreibung	Notizbuch
Siamesisches Netzwerk	Eine Implementierung des Siamese Network zum Finden von Bildähnlichkeit
Variationeller Auto-Encoder	Eine Implementierung des Variational Auto Encoder zur Generierung von Augmentationen für handschriftliche MNIST-Ziffern
Objekterkennung mittels Schiebefenster und Bildpyramide	Eine grundlegende Objekterkennungsimplementierung mit Schiebefenster und Bildpyramide auf einem Bildklassifikator
Objekterkennung mittels selektiver Suche	Eine grundlegende Objekterkennungsimplementierung mit selektiver Suche zusätzlich zu einem Bildklassifikator

Generatives gegnerisches Netzwerk

Name	Beschreibung	Notizbuch
Tiefes Faltungs-GAN	Eine Implementierung von Deep Convolutional GAN ​​zur Generierung von MNIST-Ziffern
Wasserstein-GAN mit Gradientenstrafe	Eine Implementierung von Wasserstein GAN mit Gradient Penalty zur Generierung von MNIST-Ziffern
Bedingtes GAN	Eine Implementierung von Conditional GAN ​​zur Generierung von MNIST-Ziffern

Parametereffiziente Feinabstimmung

Name	Beschreibung	Notizbuch
LoRA BERT	Eine Implementierung von BERT Finetuning mit LoRA
LoRA BERT NER	Eine Implementierung von BERT Finetuning unter Verwendung von LoRA für die Token-Klassifizierungsaufgabe
LoRA T5	Eine Implementierung von T5 Finetuning mit LoRA
LoRA TinyLlama 1.1B	Eine Implementierung von TinyLlama 1.1B Finetuning mit LoRA
QLoRA TinyLlama 1.1B	Eine Implementierung von TinyLlama 1.1B Finetuning mit QLoRA
QLoRA Mistral 7B	Eine Implementierung der Mistral 7B-Feinabstimmung mithilfe von QLoRA

---

Wenn Sie Fehler finden oder Fragen zu diesen Notizbüchern haben, öffnen Sie bitte ein Problem. Wir werden uns so schnell wie möglich darum kümmern.

Wenn Sie Fragen haben, wenden Sie sich an Twitter.

Bitte geben Sie Folgendes an, wenn Sie die Codebeispiele in Ihrer Recherche verwenden:

 @misc{saravia2022ml,
  title={ML Notebooks},
  author={Saravia, Elvis and Rastogi, Ritvik},
  journal={https://github.com/dair-ai/ML-Notebooks},
  year={2022}
}