ML Notebooks

? Cuadernos de aprendizaje automático

Este repositorio contiene cuadernos de aprendizaje automático para diferentes tareas y aplicaciones. Los cuadernos deben ser mínimos, fácilmente reutilizables y ampliables. Eres libre de utilizarlos con fines educativos y de investigación.

¡Este repositorio es compatible con Codespaces!

• Inicie una nueva instancia haciendo clic en el botón verde "<> Code" seguido de la opción "Configure and create codespace" . Asegúrese de seleccionar la configuración del contenedor de desarrollo proporcionada con este repositorio. Esto configura un entorno con todas las dependencias instaladas y listas para funcionar.
• Una vez que el espacio de código se esté ejecutando por completo, puede instalar todas las bibliotecas que necesitará para ejecutar los cuadernos en la carpeta /notebooks . Abra una terminal y simplemente ejecute conda create --name myenv --file spec-file.txt para instalar todas las bibliotecas de Python, incluido PyTorch.
• Activa tu entorno conda activate myenv . Es posible que necesites ejecutar conda init zsh o cualquier shell que estés usando... y luego cerrar y volver a abrir la terminal.
• Finalmente puedes probar si todo funciona abriendo un cuaderno como /notebooks/bow.ipynb .

---

Empezando

Nombre	Descripción	Computadora portátil
Introducción a los gráficos computacionales	Un tutorial básico para aprender sobre gráficos computacionales.
PyTorch ¡Hola mundo!	Construya una red neuronal simple y entrénela
Una suave introducción a PyTorch	Una explicación detallada que presenta los conceptos de PyTorch.
Explicaciones contrafácticas	Un tutorial básico para aprender sobre explicaciones contrafactuales para una IA explicable
Regresión lineal desde cero	Una implementación de regresión lineal desde cero utilizando descenso de gradiente estocástico
Regresión logística desde cero	Una implementación de regresión logística desde cero.
Regresión logística concisa	Implementación concisa del modelo de regresión logística para la clasificación de imágenes binarias.
Primera red neuronal: clasificador de imágenes	Construya un clasificador de imágenes mínimo usando MNIST
Red neuronal desde cero	Una implementación de una red neuronal simple desde cero.
Introducción a las GNN	Introducción a las redes neuronales gráficas. Aplica GCN básico al conjunto de datos de Cora para la clasificación de nodos.

PNL

Nombre	Descripción	Computadora portátil
Clasificador de texto de bolsa de palabras	Cree un clasificador de texto simple de bolsa de palabras.
Clasificador de texto de bolsa continua de palabras (CBOW)	Cree un clasificador de texto de bolsa continua de palabras.
Clasificador de texto de bolsa de palabras continua profunda (CBOW profundo)	Cree un clasificador de texto de bolsa de palabras continuo y profundo.
Aumento de datos de texto	Una introducción a las técnicas de aumento de datos más utilizadas para texto y su implementación.
Clasificación de emociones con BERT ajustado	Clasificación de emociones utilizando el modelo BERT ajustado

Transformadores

Nombre	Descripción	Computadora portátil
Clasificación de texto usando Transformer	Una implementación del mecanismo de atención e incrustaciones posicionales en una tarea de clasificación de texto
Traducción automática neuronal mediante Transformer	Una implementación de Transformer para traducir fechas legibles por humanos en cualquier formato al formato AAAA-MM-DD.
Transformador tokenizador de funciones	Una implementación de Feature Tokenizer Transformer en una tarea de clasificación
Reconocimiento de entidades nombradas usando Transformer	Una implementación de Transformer para realizar clasificación de tokens e identificar especies en resúmenes de PubMed
Respuesta a preguntas extractivas usando Transformer	Una implementación de Transformer para realizar respuestas extractivas a preguntas.

Visión por computadora

Nombre	Descripción	Computadora portátil
Red siamesa	Una implementación de Siamese Network para encontrar similitudes de imágenes
Codificador automático variacional	Una implementación de Variational Auto Encoder para generar aumentos para dígitos escritos a mano MNIST
Detección de objetos mediante ventana deslizante y pirámide de imágenes	Una implementación básica de detección de objetos utilizando una ventana deslizante y una pirámide de imágenes encima de un clasificador de imágenes.
Detección de objetos mediante búsqueda selectiva	Una implementación básica de detección de objetos que utiliza búsqueda selectiva sobre un clasificador de imágenes.

Red de confrontación generativa

Nombre	Descripción	Computadora portátil
GAN convolucional profunda	Una implementación de GAN convolucional profunda para generar dígitos MNIST
Wasserstein GAN con penalización de gradiente	Una implementación de Wasserstein GAN con penalización de gradiente para generar dígitos MNIST
GAN condicional	Una implementación de GAN condicional para generar dígitos MNIST

Ajuste eficiente de parámetros

Nombre	Descripción	Computadora portátil
lora bert	Una implementación de BERT Finetuning usando LoRA
LoRA BERT NER	Una implementación de BERT Finetuning usando LoRA para la tarea de clasificación de tokens
LORA T5	Una implementación de T5 Finetuning usando LoRA
LoRA TinyLlama 1.1B	Una implementación de TinyLlama 1.1B Finetuning usando LoRA
QLoRA TinyLlama 1.1B	Una implementación de TinyLlama 1.1B Finetuning usando QLoRA
QLoRA Mistral 7B	Una implementación de Mistral 7B Finetuning usando QLoRA

---

Si encuentra algún error o tiene alguna pregunta sobre estos cuadernos, abra un problema. Lo abordaremos tan pronto como podamos.

Comuníquese con Twitter si tiene alguna pregunta.

Cite lo siguiente si utiliza los ejemplos de código en su investigación:

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