Machine Learning Goodness
1.0.0
Güte des maschinellen Lernens mit verschiedenen Repositories oder Notebooks , ML/DL-Projekten und AGI/AI- Tipps/Cheats.
Übersicht und nächster Schritt
Mit Beginn der 100DaysOfMLCode -Herausforderung wird dieses Machine Learning Goodness-Repository täglich mit den fertigen Jupyter-Notebooks, Python-Codes, ML-Projekten, nützlichen ML/DL/NN-Bibliotheken, Repositorys, Cheat-Codes von ML/DL/NN/AI und nützlichen Informationen aktualisiert wie Websites, nützliche Lernmaterialien, Tipps und vieles mehr, ganz zu schweigen von grundlegender und fortgeschrittener Python-Codierung.
Da die Herausforderung vorbei ist, wächst das Repo weiter. Neue nützliche Materialien in der Welt des maschinellen Lernens werden, wenn sie gefunden werden, zu Büchern, Tools oder Repositories hinzugefügt sowie in der FinishYearWithML-Challenge aktualisiert und über meinen Twitter-Account und auf Linkedin sowie manchmal auf Facebook und Instagram getwittert.
(Zurück nach oben)
Wertvolle Bücher zur Verbesserung des Fachwissens über ML/DL/NN/AGI, Python-Programmierung, CS-Grundlagen für die KI-Analyse und jedes nützliche Buch für einen Entwickler oder ML-Ingenieur.
| Nummer | Titel | Beschreibung | Link |
|---|---|---|---|
| 1 | Grokking-Algorithmen: Ein illustrierter Leitfaden für Programmierer und andere Neugierige | Visualisierung der gängigsten Algorithmen, die beim maschinellen Lernen und Programmieren zur Lösung von Problemen verwendet werden | Grokking-Algorithmen |
| 2 | Handbuch zum Algorithmusdesign | Einführung in die mathematische Analyse verschiedener Computeralgorithmen | Handbuch zum Algorithmusdesign |
| 3 | Kategorietheorie für Programmierer | Buch über Kategorietheorie, geschrieben auf Beiträgen aus Milewskis Programmiercafé | Kategorietheorie für Programmierer |
| 4 | Automatisiertes maschinelles Lernen | Das Buch enthält einen Überblick über die grundlegenden Techniken, die wir in AutoML benötigen, bietet ausführliche Diskussionen bestehender AutoML-Systeme und bewertet den Stand der Technik in AutoML | Automatisiertes maschinelles Lernen |
| 5 | Mathematik für Informatik | Buch des MIT über Mathematik für die Informatik | Mathematik für Informatik |
| 6 | Mathematik für maschinelles Lernen | Buch der University of California über Mathematik für maschinelles Lernen | Mathematik für maschinelles Lernen |
| 7 | Angewandte künstliche Intelligenz | Buch über technische KI-Anwendungen | Angewandte künstliche Intelligenz |
| 8 | Automatisierung der Pipeline für maschinelles Lernen | Buchüberblick über die Automatisierung des ML-Lebenszyklus mit der Databricks Lakehouse-Plattform | Automatisierung der Pipeline für maschinelles Lernen |
| 9 | Sehnsucht nach maschinellem Lernen | Das Buch für KI-Ingenieure läutet die Ära des Deep Learning ein | Sehnsucht nach maschinellem Lernen |
| 10 | Denken Sie an Bayes | Eine Einführung in die Bayes'sche Statistik mit Python-Implementierung und Jupyter-Notebooks | Denken Sie an Bayes |
| 11 | Der ultimative ChatGPT-Leitfaden | Das Buch, das 100 Ressourcen bereitstellt, um Ihr Leben mit ChatGPT zu verbessern | Der ultimative ChatGPT-Leitfaden |
| 12 | Die Kunst der ChatGPT-Eingabeaufforderung: Ein Leitfaden zum Erstellen klarer und effektiver Eingabeaufforderungen | Das Buch erlernt Strategien zum Erstellen überzeugender ChatGPT-Eingabeaufforderungen, die zu spannenden und informativen Gesprächen führen | Die Kunst der ChatGPT-Eingabeaufforderung: Ein Leitfaden zum Erstellen klarer und effektiver Eingabeaufforderungen |
| 13 | 10 ChatGPT-Eingabeaufforderungen für Softwareentwickler | Das Buch zum Erlernen der Eingabeaufforderung für Software-Engineering-Aufgaben | 10 ChatGPT-Eingabeaufforderungen für Softwareentwickler |
| 14 | So bauen Sie Ihre Karriere in der KI auf | Andrew Ngs Erkenntnisse über das Erlernen grundlegender Fähigkeiten, die Arbeit an Projekten, die Arbeitssuche und die Gemeinschaft in Maschinen | So bauen Sie Ihre Karriere in der KI auf |
| 15 | Q und KI für maschinelles Lernen | Das Buch befasst sich mit populären Fragen, die in Interviews zu ML gestellt wurden, und bietet weiterführende Informationen zu diesen Fragen | Q und KI für maschinelles Lernen |
| 16 | Ein umfassender Leitfaden zum maschinellen Lernen | Ein kostenloses Buch mit umfassendem Leitfaden zu ML | Ein umfassender Leitfaden zum maschinellen Lernen |
| 17 | Mathematik für Deep Learning: Was Sie wissen müssen, um neuronale Netze zu verstehen | Ein Buch über Mathematik für maschinelles Lernen und künstliche Intelligenz, das sich mit den Grundlagen der Mathematik und Statistik für Datenwissenschaft befasst | Mathematik für Deep Learning: Was Sie wissen müssen, um neuronale Netze zu verstehen |
(Zurück nach oben)
Hier finden Sie wertvolle Websites und Tools, die Cheat-Codes für Python, maschinelles Lernen, Deep Learning, neuronale Netze und vieles mehr enthalten, abgesehen von anderen nützlichen Tools, während Sie lernen oder Ihre Fähigkeiten verbessern. Wird ständig aktualisiert, wenn ein wertvolles Material gefunden wird, das im Repository geteilt werden kann.
| Nummer | Titel | Beschreibung | Link |
|---|---|---|---|
| 1 | Python-Spickzettel | Das Python-Cheatsheet basierend auf dem Buch „Automate the Boring Stuff with Python“ und vielen anderen Quellen | Python-Spickzettel |
| 2 | Spickzettel für Algorithmen für maschinelles Lernen | Das Cheatsheet für maschinelles Lernen, das verschiedene Modelle kurz erklärt | Cheatsheet für ML-Algorithmen |
| 3 | Fantastische KI-Datensätze und Tools | Links zu beliebten Open-Source- und öffentlichen Datensätzen, Datenvisualisierungen, Datenanalyseressourcen und Data Lakes | Fantastische KI-Datensätze und Tools |
| 4 | Spickzettel für maschinelles Lernen | Dieses Cheatsheet enthält viele klassische Gleichungen und Diagramme zum maschinellen Lernen, um sich schnell an Wissen und Ideen zum maschinellen Lernen zu erinnern | Spickzettel für maschinelles Lernen |
| 5 | Universelle Intelligenz: Eine Definition von maschineller Intelligenz | Die Veröffentlichung zu Definitionen von Intelligenz | Universelle Intelligenz |
| 6 | Logistische Regression | Detaillierter Überblick über die logistische Regression | Logistische Regression |
| 7 | BCI-Übersicht | Einfacher Überblick über Brain-Computer Interface (BCI) | BCI-Übersicht |
| 8 | BCI-Forschung | Faszinierende Forschung zum Brain-Computer Interface (BCI) | BCI-Forschung |
| 9 | KI in der chemischen Entdeckung | Wie verändert KI die chemische Entdeckung? | KI in der chemischen Entdeckung |
| 10 | Maschinelles Lernen für die Chemie | Best Practices im maschinellen Lernen für die Chemie | Maschinelles Lernen für die Chemie |
| 11 | KI-Tools für die Arzneimittelentwicklung | 5 coole KI-gestützte Tools zur Arzneimittelforschung | KI-Tools für die Arzneimittelentwicklung |
| 12 | Quantenchemie und Deep Learning | Die Anwendung von Deep Learning und neuronalen Netzen auf die Quantenchemie | Quantenchemie und Deep Learning |
| 13 | Computermaschinen und Intelligenz | Erster Artikel über KI von Alan Turing | Computermaschinen und Intelligenz |
| 14 | Der Blog über die Einstellung von Alan Turing | Die Analyse von Alan Turings Artikel über KI (13 in der Liste) und der Blogbeitrag über sein Leben | Blog über Alan Turing |
| 15 | Köpfe, Gehirne und Programme | Artikel, der den „Turing-Test“ von John Searle beanstandet | Köpfe, Gehirne und Programme |
| 16 | Der Blog über die Arbeit von John Searle und Alan Turing | Der Blogbeitrag über die Arbeit von John Searle (15 in der Liste) und Ideen zu KI und Alan Turing | John Searle und Alan Turing |
| 17 | Der Youtube-Kanal zu den neuronalen Netzen von Deep Learning | Ein erstaunlicher YouTube-Kanal, der mit einfachen und leicht verständlichen Beschreibungen erklärt, was ein neuronales Netzwerk ist | Neuronale Netze von Deep Learning |
| 18 | 8 Architekturen neuronaler Netze | 8 Architekturen neuronaler Netzwerke, die jeder ML-Ingenieur kennen sollte | 8 Architekturen |
| 19 | Neuronale Netze zur Vorhersage organischer Reaktionen | Der Einsatz neuronaler Netze zur Vorhersage von Reaktionstypen | NNs zur Vorhersage organischer Reaktionen |
| 20 | Expertensystem zur Vorhersage von Reaktionsbedingungen: Der Michael-Reaktionsfall | Es wurden Modelle erstellt, um die Kompatibilität eines Prozesses der organischen Chemie mit jeder berücksichtigten Reaktionsbedingungsoption zu bestimmen | Expertensystem zur Vorhersage von Reaktionsbedingungen |
| 21 | Maschinelles Lernen im chemischen Reaktionsraum | Betrachtete Reaktionsräume von Molekülen, die an mehreren Reaktionen beteiligt sind, unter Verwendung von ML-Konzepten | Maschinelles Lernen im chemischen Reaktionsraum |
| 22 | Maschinelles Lernen für chemische Reaktionen | Ein Überblick über die Fragen, die mithilfe maschineller Lerntechniken beantwortet werden können und wurden | Maschinelles Lernen für chemische Reaktionen |
| 23 | ByTorch-Übersicht | BoTorch als Framework von PyTorch | ByTorch-Übersicht |
| 24 | ByTorch-Beamter | Bayesianische Optimierung oder einfach eine offizielle Website von BoTorch | ByTorch-Beamter |
| 25 | VS-Code-Spickzettel | Spickzettel für VS-Code-Verknüpfungen | VS-Code-Spickzettel |
| 26 | Einfacher Spickzettel für maschinelles Lernen | Der Cheatsheet für maschinelles Lernen aller Bereiche und häufig verwendete Algorithmen | Spickzettel für maschinelles Lernen |
| 27 | DeepMind & UCL zum Reinforcement Learning | DeepMind- und UCL-Vorlesungen als Videos zum Reinforcement Learning | DeepMind & UCL zum Reinforcement Learning |
| 28 | Vollständiger Stanford-Kurs zum maschinellen Lernen | Vollständiger Kurs zum maschinellen Lernen als Vorlesungsfolien an der Stanford University | Vollständiger Stanford-Kurs zum maschinellen Lernen |
| 29 | Courseras Deep-Learning-Spezialisierung | DL-Spezialisierung durch den großartigen Andrew Ng und sein Team bei deeplearning.ai | Courseras Deep-Learning-Spezialisierung |
| 30 | Einfaches Clustering-Spickzettel | Einfaches Clustering-Spickzettel für unbeaufsichtigtes Lernen | Clustering-Spickzettel |
| 31 | Spickzettel zur Verwirrungsmatrix | Spickzettel zu Genauigkeit, Präzision, Rückruf, TPR, FPR, Spezifität, Sensitivität, ROC und all dem Zeug in der Verwirrungsmatrix | Spickzettel zur Verwirrungsmatrix |
| 32 | Cheatsheets für Datenwissenschaftler | Verschiedene und unterschiedliche Cheatsheets für Datenwissenschaftler | Cheatsheets für Datenwissenschaftler |
| 33 | K-Means-Clustering-Visualisierung | Einfache Grafiken zur Erläuterung von K-Means-Clustering | K-Means-Clustering-Visualisierung |
| 34 | Youtube-Kanal von 3Blue1Brown | Youtube-Kanal zu animierten Mathematikkonzepten | Animierte Mathematikkonzepte |
| 35 | Essenz der linearen Algebra | Youtube-Playlist zur linearen Algebra von 3Blue1Brown | Lineare Algebra |
| 36 | Die Neurowissenschaften des Reinforcement Learning | Die Princeton-Folien von Neuroscience for Reinforcement Learning | Die Neurowissenschaften des Verstärkungslernens |
| 37 | Reinforcement Learning des Arzneimitteldesigns | Reinforcement Learning Implementierung von Drug Design | Reinforcement Learning des Arzneimitteldesigns |
| 38 | Gehirn-Computer-Schnittstelle mit Unterstützung | Fortschrittliches BCI mit flexiblem und formbarem Träger und durchdringenden Mikronadeln | Gehirn-Computer-Schnittstelle mit Unterstützung |
| 39 | Big-O-Notation | Tolle und einfache Erklärung zur Big-O-Notation | Big-O-Notation |
| 40 | 6 Data Science-Zertifikate | 6 Data Science-Zertifikate zur Förderung Ihrer Karriere | 6 Data Science-Zertifikate |
| 41 | Über das Maß der Intelligenz | Das neue Konzept zur Messung, wie menschenähnlich künstliche Intelligenz ist | Über das Maß der Intelligenz |
| 42 | Eine Sammlung von Definitionen von Intelligenz | Über 70 Definitionen von Intelligenz | Eine Sammlung von Definitionen von Intelligenz |
| 43 | Codegenerierung auf Wettbewerbsebene mit AlphaCode | AlphaCode-Papier | Codegenerierung auf Wettbewerbsebene mit AlphaCode |
| 44 | Maschinelles Lernen | Was ist maschinelles Lernen? Eine gut erklärte Einführung | Maschinelles Lernen |
| 45 | Autoencoder | Einführung in Autoencoder und Einblick in Undercomplete Autoencoder | Autoencoder |
| 46 | ChatGPT-Spickzettel | Ein unverzichtbarer Cheatsheet für jeden, der ChatGPT häufig nutzt | ChatGPT-Spickzettel |
| 47 | Scikit-learn-Spickzettel | Scikit-Learn Cheatsheet für maschinelles Lernen | Scikit-Learn-Spickzettel |
| 48 | Top 13 Python Deep Learning-Bibliotheken | Zusammenfassung der Top-Bibliotheken für Deep Learning mit Python | Top 13 Python Deep Learning-Bibliotheken |
| 49 | Ein einfacher Leitfaden für Visualisierungen maschinellen Lernens | Zusammenfassung der visuellen Inspektion der Leistung von ML-Modellen | Ein einfacher Leitfaden für maschinelle Lernvisualisierungen |
| 50 | Entdecken Sie die systematischen Fehler, die maschinelle Lernmodelle machen | Zusammenfassung zur Erkennung von Fehlern in Modellen für maschinelles Lernen, die eine hohe Gesamtgenauigkeit bei kohärenten Abschnitten von Validierungsdaten erreichen | Entdecken Sie die systematischen Fehler, die maschinelle Lernmodelle machen |
| 51 | Hypothesentests erklären? | Erläuterung des Hypothesentests | Ein einfacher Leitfaden für Visualisierungen maschinellen Lernens |
| 52 | Einführungskurs in die KI | Kostenloser KI-Einführungskurs für Anfänger von Microsoft | Einführungskurs in die KI |
| 53 | ChatGPT-Produktivitäts-Hacks | ChatGPT-Produktivitäts-Hacks: Fünf Möglichkeiten, Chatbots zu nutzen, um Ihr Leben einfacher zu machen | ChatGPT-Produktivitäts-Hacks |
| 54 | Dreifaches Geld mit Data Science | Artikel darüber, wie ein Stipendiat sein Einkommen mit Data Science in 18 Monaten verdreifachte | Dreifaches Geld mit Data Science |
| 55 | Vorhersagen zur KI für die nächsten 10 Jahre | Andrew Ngs Prognose zur KI für die nächsten 10 Jahre | Vorhersagen zur KI für die nächsten 10 Jahre |
| 56 | Die Theorie des Geistes ist möglicherweise spontan in großen Sprachmodellen aufgetaucht | Veröffentlichung mit einem Überblick über LLM-Modelle wie ChatGPT | Die Theorie des Geistes ist möglicherweise spontan in großen Sprachmodellen aufgetaucht |
| 57 | Wie hilft Ihnen ChatGPT, maschinelles Lernen zu automatisieren? | ChatGPT im maschinellen Lernen | Wie hilft Ihnen ChatGPT, maschinelles Lernen zu automatisieren? |
| 58 | Der ChatGPT-Spickzettel | Inoffizieller ChatGPT-Spickzettel | Der ChatGPT-Spickzettel |
| 59 | OpenAI-Kochbuch | Offizieller ChatGPT-Spickzettel | OpenAI-Kochbuch |
| 60 | Wissenserweitertes maschinelles Graphenlernen für die Arzneimittelforschung: Ein Überblick von der Präzision zur Interpretierbarkeit | Implementierung von Graph Machine Learning in der Arzneimittelforschung | Wissenserweitertes maschinelles Graphenlernen für die Arzneimittelforschung: Ein Überblick von der Präzision zur Interpretierbarkeit |
| 61 | Ein einfacher Leitfaden für Visualisierungen maschinellen Lernens | Leitfaden für ML-Visualisierungen | Ein einfacher Leitfaden für Visualisierungen maschinellen Lernens |
| 62 | So visualisieren Sie neuronale PyTorch-Netzwerke – 3 Beispiele in Python | 3 Beispiele für PyTorch-Visualisierungen | So visualisieren Sie neuronale PyTorch-Netzwerke – 3 Beispiele in Python |
| 63 | Rolle der Datenvisualisierung beim maschinellen Lernen | Rolle der Visualisierung in ML | Rolle der Datenvisualisierung beim maschinellen Lernen |
| 64 | Interpretation von A/B-Testergebnissen: falsch positive Ergebnisse und statistische Signifikanz | Interpretation der A/B-Testergebnisse | Interpretation von A/B-Testergebnissen: falsch positive Ergebnisse und statistische Signifikanz |
| 65 | Vollständiger Leitfaden zum Design, zur Implementierung und zu Fallstricken von A/B-Tests | Vollständiger Leitfaden für A/B-Tests | Vollständiger Leitfaden zum Design, zur Implementierung und zu Fallstricken von A/B-Tests |
| 66 | Tipps für Datenwissenschaftler und Dateningenieure in ihren Vorstellungsgesprächen | Tipps für Interviews von Seattle Data Guy | Tipps für Datenwissenschaftler und Dateningenieure in ihren Vorstellungsgesprächen |
| 67 | Git-Spickzettel für Data Science | Spickzettel mit Git-Befehlen für Data Science | Git-Spickzettel für Data Science |
| 68 | CNN für Brustkrebsklassifizierung | Überblick über einen Algorithmus zur automatischen Erkennung, ob eine Patientin an Brustkrebs leidet oder nicht, anhand von Biopsiebildern | CNN für Brustkrebsklassifizierung |
| 69 | Goodharts Gesetz | Überblick über das bei OpenAI verwendete Goodharts Gesetz | Goodharts Gesetz |
| 70 | So erstellen Sie eine ML-Plattform von Grund auf | Standardmethode zum Entwerfen, Trainieren und Bereitstellen von Modellen | direkt So erstellen Sie eine ML-Plattform von Grund auf |
| 71 | Zusammenfassung des selbstüberwachten Lernens | Überblick über selbstüberwachtes Lernen | Zusammenfassung des selbstüberwachten Lernens |
| 72 | Zusammenfassung von MLOps (2021) | Überblick über MLOps | Zusammenfassung von MLOps (2021) |
| 73 | Zusammenfassung von MLOps (2020) | Überblick über MLOps | Zusammenfassung von MLOps (2020) |
| 74 | Kunst neuronaler Netze | Künstlerische Darstellungen neuronaler Netze | Kunst neuronaler Netze |
| 75 | Entwurfsmuster von MLOps | Eine Zusammenfassung der Entwurfsmuster in MLOps | Entwurfsmuster von MLOps |
| 76 | So behalten Sie den Überblick über die Entwicklungen in der KI-Welt | Ressourcen, wie Sie über alle Neuigkeiten auf dem Laufenden bleiben und durch den endlosen Strom an KI-Informationen navigieren können | So behalten Sie den Überblick über die Entwicklungen in der KI-Welt |
| 77 | ChatGPT und Whisper API | Integrationstool für Entwickler von ChatGPT und Whisper API | ChatGPT und Whisper API |
| 78 | 20 Projekte zum maschinellen Lernen, die Ihnen eine Anstellung verschaffen | Projekte, die dazu führen sollen, dass Sie als ML-Ingenieur eingestellt werden | 20 Projekte zum maschinellen Lernen, die Ihnen eine Anstellung verschaffen |
| 79 | Die 7 besten Programmiersprachen für maschinelles Lernen | Top-Programmiersprachen für maschinelles Lernen | Die 7 besten Programmiersprachen für maschinelles Lernen |
| 80 | Effektive Tests für maschinelle Lernprojekte (Teil I) | Blogbeitrag zum Thema Effektives Testen für ML-Projekte (Teil I) | Effektive Tests für maschinelle Lernprojekte (Teil I) |
| 81 | Effektive Tests für maschinelle Lernprojekte (Teil II) | Blogbeitrag zum Thema Effektives Testen für ML-Projekte (Teil II) | Effektive Tests für maschinelle Lernprojekte (Teil III) |
| 82 | Effektive Tests für maschinelle Lernprojekte (Teil III) | Blogbeitrag zum Thema Effektives Testen für ML-Projekte (Teil III) | Effektive Tests für maschinelle Lernprojekte (Teil III) |
| 83 | Entscheidungsfindung bei Netflix | Wie Netflix mithilfe von A/B-Tests Entscheidungen trifft, die seine Produkte kontinuierlich verbessern, damit das Unternehmen den Mitgliedern mehr Freude und Zufriedenheit bereiten kann | Entscheidungsfindung bei Netflix |
| 84 | Was ist ein A/B-Test? | Wie Netflix A/B-Tests nutzt, um Entscheidungen zu treffen und seine Produkte kontinuierlich zu verbessern | Was ist ein A/B-Test? |
| 85 | Interpretation von A/B-Testergebnissen: falsch positive Ergebnisse und statistische Signifikanz | Interpretieren von A/B-Testergebnissen anhand falsch positiver Ergebnisse und statistischer Signifikanz | Interpretation von A/B-Testergebnissen: falsch positive Ergebnisse und statistische Signifikanz |
| 86 | Vollständiger Leitfaden zum Design, zur Implementierung und zu Fallstricken von A/B-Tests | End-to-End-A/B-Testing für Ihre Data-Science-Experimente für Laien und technische Spezialisten mit Beispielen und Python-Implementierung | Vollständiger Leitfaden zum Design, zur Implementierung und zu Fallstricken von A/B-Tests. |
| 87 | 10 statistische Konzepte, die Sie für Data Science-Interviews kennen sollten | Statistische Konzepte, die für Data Science-Interviews erforderlich sind | 10 statistische Konzepte, die Sie für Data Science-Interviews kennen sollten. |
| 88 | Evaluierung von Deep-Learning-Modellen: Die Verwirrungsmatrix, Genauigkeit, Präzision und Rückruf | Überblick über die Bewertung von ML-Modellen mit den Metriken Confusion Matrix, Accuracy, Precision und Recall | Evaluierung von Deep-Learning-Modellen: Die Verwirrungsmatrix, Genauigkeit, Präzision und Rückruf |
| 89 | Künstliche Intelligenz in der Medizin: Strukturelle Herausforderungen zur Verbesserung der Patientenversorgung überwinden oder rekapitulieren? | Perspektive der KI in der Medizin | Künstliche Intelligenz in der Medizin: Strukturelle Herausforderungen zur Verbesserung der Patientenversorgung überwinden oder rekapitulieren? |
| 90 | Graphisches neuronales Netzwerk in der Arzneimittelforschung | Deep-Learning-Anwendung zur Transformation des Arzneimittelforschungsprozesses, um die Effizienz bei der Suche nach neuen Verbindungen zu steigern | Graphisches neuronales Netzwerk in der Arzneimittelforschung |
| 91 | Neuer KI-Ansatz zur Reduzierung von Rauschen in Röntgendaten | Überblick über die Verwendung von Autoencodern zum Ersetzen verrauschter Röntgendaten durch rauschfreie Eingangssignale | Neuer KI-Ansatz zur Reduzierung von Rauschen in Röntgendaten |
| 92 | Verarbeitung natürlicher Sprache | Der Leitfaden behandelt, wie es funktioniert, wo es angewendet wird, Top-Techniken und mehr | Verarbeitung natürlicher Sprache |
| 93 | Big O-Spickzettel | Big O Cheatsheet für Datenstrukturen Nr. 1 | Big O-Spickzettel |
| 94 | Big O-Spickzettel | Big O Cheatsheet für Datenstrukturen Nr. 2 | Big O-Spickzettel |
| 95 | Eine umfassende Übersicht über KI-generierte Inhalte (AIGC): Eine Geschichte generativer KI von GAN bis ChatGPT | Ein historischer Überblick über generative KI-Techniken und -Anwendungen | Eine umfassende Übersicht über KI-generierte Inhalte (AIGC): Eine Geschichte generativer KI von GAN bis ChatGPT |
| 96 | ChatDoctor | Ein medizinisches Chat-Modell, das unter Verwendung von medizinischem Fachwissen auf das LLaMA-Modell abgestimmt ist | ChatDoctor |
| 97 | ALLES Spickzettel | Cheatsheets von künstlicher Intelligenz über Data Engineering und maschinelles Lernen bis hin zu Linux, Mathematik, R und Matlab und vielen weiteren Bereichen | ALLES Spickzettel |
| 98 | GMAI | Papier über eine Generalist Medical AI (GMAI), um die Entwicklung groß angelegter medizinischer KI-Modelle voranzutreiben, die Genauigkeit medizinischer Aufgaben zu erhöhen, den Zugriff auf komplexe medizinische Informationen zu erleichtern und Operationsteams zu unterstützen | GMAI |
| 99 | 9 wichtige ChatGPT-Eingabeaufforderungen | 9 wichtige ChatGPT-Eingabeaufforderungen mit Beispielen | 9 wesentliche ChatGPT-Eingabeaufforderung |
| 100 | IPython ChatGPT-Erweiterung | Erweiterung, mit der Sie ChatGPT direkt von Ihrem Jupyter-Notebook oder Ihrer IPython-Shell aus verwenden können | IPython ChatGPT-Erweiterung |
| 101 | OpenAssistant | Open-Source-Alternative zu ChatGPT | OpenAssistant |
| 102 | DINOv2 | Das Unsupervised Vision Transformer Model kann als Rückgrat für fast alle Ihre CV-Aufgaben verwendet werden | DINOv2 |
| 103 | Datenmol | Open-Source-Toolkit, das molekulare Verarbeitungs- und Featurisierungsabläufe für ML-Wissenschaftler in der Arzneimittelforschung vereinfacht | Datenmol |
| 104 | Vergleich zwischen ChatGPT und GPT4 | Bild zum Vergleich von ChatGPT mit GPT | Vergleich zwischen ChatGPT und GPT4 |
| 105 | Kochbuch zum selbstüberwachten Lernen | Forschung und alle Hinweise zur dunklen Materie der Intelligenz | Kochbuch zum selbstüberwachten Lernen |
| 106 | Prompt Engineering Spickzettel | Helfen Sie dabei, großartige Eingabeaufforderungen für Chat-Bots wie GPT zu schreiben | Prompt Engineering Spickzettel |
| 107 | GitHub Copilot-Leitfaden | GitHub Copilot Guide als Folien | GitHub Copilot-Leitfaden |
| 108 | Vergleich von GitHub Copilot mit ChatGPT | Vergleich eines Chatbots mit einem Programmierhelfer als Folien | Vergleich von GitHub Copilot mit ChatGPT |
| 109 | Vergleich von GitHub Copilot mit Codeium | Vergleich von Coding-Helfern; einer kostenpflichtig, der andere Open Source | Vergleich von GitHub Copilot mit Codeium |
| 110 | Erste Schritte mit AutoGPT | Erste Schritte mit AutoGPT – Installation – Anwendungsfälle – Möglicher Missbrauch | [https://github.com/aurimas13/Machine-Learning-Goodness/blob/main/Notes/AutoGPT_Guide.pdf] |
| 111 | Nützliche KI-Tools | Nützliche KI-Tools von Copilot über AutoGPT über MidJourney und Grammarly bis hin zu Konversations-Bots | [https://github.com/aurimas13/Machine-Learning-Goodness/blob/main/Notes/Useful_AI_Tools.pdf] |
| 112 | ChatGPT-Aufforderungs-Spickzettel | Spickzettel mit nützlichen ChatGPT-Eingabeaufforderungen | ChatGPT-Aufforderungs-Spickzettel |
| 113 | MACHINE LEARNING Ein erster Kurs für Ingenieure und Wissenschaftler | Anfänger bis Fortgeschrittene im Bereich maschinelles Lernen von der Universität Cambridge | MACHINE LEARNING Ein erster Kurs für Ingenieure und Wissenschaftler. |
| 114 | Projekte zum maschinellen Lernen | Projekte zum maschinellen Lernen | Projekte zum maschinellen Lernen |
| 115 | Python Data Science-Handbuch | Python Data Science-Handbuch | Python Data Science-Handbuch |
| 116 | Eine Einführung in die Statistik mit Python | Statistik ist ein Zweig der Mathematik, der sich mit der Sammlung, Analyse, Interpretation, Darstellung und Organisation von Daten befasst | Eine Einführung in die Statistik mit Python |
| 117 | Python für alle | Python für alle | Python für alle |
| 118 | Maschinelles Lernen mit Python für alle (Addison-Wesley Data & Analytics Series) | Maschinelles Lernen mit Python für alle | Maschinelles Lernen mit Python für alle (Addison-Wesley Data & Analytics Series) |
| 119 | Python für die Datenanalyse | Python für die Datenanalyse | Python für die Datenanalyse |
| 120 | Grundlagen der Python-Datenwissenschaft | Grundlagen der Python-Datenwissenschaft | Grundlagen der Python-Datenwissenschaft |
| 121 | Diagrammdatenmodellierung mit Python | Diagrammdatenmodellierung mit Python | Diagrammdatenmodellierung mit Python |
| 122 | 50 Tage Python – Eine Herausforderung pro Tag. | 50 Tage Python – Eine Herausforderung pro Tag. | 50 Tage Python – Eine Herausforderung pro Tag. |
| 123 | Winzige Python-Projekte | Winzige Python-Projekte | Winzige Python-Projekte |
| 124 | Umwerfende KI-Tools | KI-Tools vom Schreiben über Video und Design bis hin zu Produktivität und Marketing und Chatbot | Umwerfende KI-Tools |
| 125 | Über 150 Python-Projekte mit Quellcode | 179 Python-Projekte mit Quellcode | Über 150 Python-Projekte mit Quellcode |
(Zurück nach oben)
Wertvolle GitHub-Repositories zu den ML/DL/NN/AGI-Kursen mit allen Details finden Sie hier:
| Nummer | Titel | Beschreibung | Link |
|---|---|---|---|
| 1 | Fortgeschrittener KI-Kurs | Fortgeschrittener KI-Kurs der Code Academy in Litauen | Fortgeschrittener KI-Kurs |
| 2 | GitHub zum Deep-Learning-Kurs von Coursera | GitHub Repo für Courseras Deep Learning-Spezialisierung von deeplearning.ai | GitHub zum DL-Kurs von Coursera |
| 3 | Hinweise zum Deep-Learning-Kurs von Coursera | Vorlesungsunterlagen für Courseras Deep-Learning-Spezialisierung von deeplearning.ai | Hinweise zum DL-Kurs von Cousera |
| 4 | Kategorietheorie zum maschinellen Lernen | Github mit einer Liste von Veröffentlichungen zur Kategorietheorie in verschiedenen KI-Bereichen | Kategorietheorie zu ML |
| 5 | Grundlagen des maschinellen Lernens | Verstehen Sie die Konzepte, Techniken und mathematischen Rahmenbedingungen, die von Experten für maschinelles Lernen verwendet werden | Grundlagen von ML |
| 6 | Toller RL | Github-Repository mit erstaunlichen Materialien zum Reinforcement Learning | Toller RL |
| 7 | Chemische Reaktionen optimieren | Optimierung chemischer Reaktionen mit Deep Reinforcement Learning | Chemische Reaktionen optimieren |
| 8 | Spickzettel für maschinelles Lernen | Cheatsheets zum maschinellen Lernen zu Supervised, Unsupervised und Deep Learning sowie Tipps und Tricks | Spickzettel für maschinelles Lernen |
| 9 | ML Youtube-Kurse | Die neuesten Kurse zum maschinellen Lernen sind auf YouTube verfügbar | ML Youtube-Kurs |
| 10 | Kursnotizen zum maschinellen Lernen | Hinweise zu den Kursen zum Thema Maschinelles Lernen | Kursnotizen zum maschinellen Lernen |
| 11 | Effektive Tests für ML-Projekte | GitHub-Repository für effektive Tests für ML-Projekte | Effektive Tests für ML-Projekte |
| 12 | ChatDoctor | GitHub-Repository für ChatDoctor, während am 90. Tag darüber geschrieben oder als 96. Element im Tool aufgerufen wird | ChatDoctor GitHub |
| 13 | Auto-GPT | GitHub-Repository einer experimentellen Anwendung, die die Funktionen von GPt4 demonstriert | Auto-GPT |
| 14 | Vicuna-13B | Ein Open-Source-Chatbot, der durch die Feinabstimmung von LLaMA auf ca. 70.000 von Benutzern geteilte ChatGPT-Konversationen trainiert wurde | Vicuna-13B |
| 15 | Prompt-Engineering-Leitfaden | Prompt-Engineering-Leitfaden | Prompt-Engineering-Leitfaden |
| 16 | Das Beste aus maschinellem Lernen mit Python | 910 kuratierte ML-Projekte | Das Beste aus maschinellem Lernen mit Python |
| 17 | Data Science für Anfänger – Ein Lehrplan | Azure Cloud Advocates bei Microsoft freuen sich, einen 10-wöchigen Lehrplan mit 20 Lektionen rund um Data Science anbieten zu können | Data Science für Anfänger – Ein Lehrplan |
| 18 | Data-Science-Interview-Ressourcen | Ressourcen für Data Science-Interviews | Data-Science-Interview-Ressourcen |
| 19 | FANTASTISCHE DATENWISSENSCHAFT | Open-Source-Data-Science-Repository zum Erlernen und Anwenden von Data-Science-Fähigkeiten zur Lösung realer Probleme | FANTASTISCHE DATENWISSENSCHAFT |
| 20 | Datenmol | Open-Source-Toolkit, das molekulare Verarbeitungs- und Featurisierungsabläufe für ML-Wissenschaftler in der Arzneimittelforschung vereinfacht | Datenmol |
| 21 | privateGPT | Ein magisches Tool, mit dem Sie ohne Internetverbindung Fragen zu Ihren Dokumenten stellen können, indem Sie einfach die Leistungsfähigkeit von LLMs nutzen | privateGPT |
| 22 | RT-2-Modell | Ein Modell, das bis zu 55 Milliarden Parameter im Backbone verwendet und es so optimiert, dass Roboteraktionen direkt ausgegeben werden, die in der realen Welt ausgeführt werden | RT-2 |
| 23 | GPTCache | Ein Tool, mit dem Sie die Ergebnisse von GPT-3-API-Aufrufen zwischenspeichern und später wiederverwenden können | GPTCache |
| 24 | Fantastische KI-gestützte Entwicklertools | Tools, die KI nutzen, um Entwickler bei Aufgaben wie Codevervollständigung, Refactoring, Debugging, Dokumentation und mehr zu unterstützen | Fantastische KI-gestützte Entwicklertools |
(Zurück nach oben)
Fertige Notizbücher verschiedener Datensätze finden Sie hier.
(Zurück nach oben)
Weitere Hinweise, die wir in Vorträgen oder Materialien behandelt haben, die ich erwähnt und über die ich gesprochen habe, finden Sie hier.
(Zurück nach oben)
Materialien zur Herausforderung #100DaysOfMLCode für jeden Tag finden Sie hier im Abschnitt README .
(Zurück nach oben)
Materialien zur Herausforderung #FinishYearWithML für jeden Tag finden Sie hier im Abschnitt README .
(Zurück nach oben)
Der öffentliche Ordner enthält zwei Dateien:
(Zurück nach oben)
Das erste Schöne ist, dass Sie Jupyter auch über den Browser ausführen können, indem Sie hierher gehen und in diesem Artikel mehr darüber lesen.
Wenn Sie Schwierigkeiten haben, Jupyter Notebook über den Browser auszuführen, können Sie Google Colab verwenden, indem Sie hier klicken. Die Funktionalitäten beider Maschinen sind ähnlich.
(Zurück nach oben)
Das Logo des Repositoriums finden Sie hier.
(Zurück nach oben)
Die MIT-LIZENZ finden Sie hier.
