Machine Learning Goodness
1.0.0
Bondad del aprendizaje automático con varios repositorios o cuadernos , proyectos ML/DL y consejos/trucos AGI/AI .
Descripción general y próximo paso
Con el inicio del desafío 100DaysOfMLCode , este repositorio de Machine Learning Goodness se actualiza diariamente con los cuadernos de Jupyter completos, códigos Python, proyectos de ML, bibliotecas ML/DL/NN útiles, repositorios, códigos de trucos de ML/DL/NN/AI e información útil. como sitios web, materiales de aprendizaje beneficiosos, consejos y todo eso, sin mencionar algo de codificación Python básica y avanzada.
A medida que el desafío termina, el repositorio aún crece. Cuando se encuentran nuevos materiales beneficiosos en el mundo del aprendizaje automático, se agregan a libros, herramientas o repositorios, se actualizan en el desafío FinishYearWithML y se tuitean a través de mi cuenta de Twitter y en Linkedin, así como a veces en Facebook e Instagram.
(Volver al inicio)
Libros valiosos para perfeccionar la experiencia en ML/DL/NN/AGI, programación Python, fundamentos de CS necesarios para el análisis de IA y cualquier libro útil para un desarrollador o ingeniero de ML.
| Número | Título | Descripción | Enlace |
|---|---|---|---|
| 1 | Algoritmos de Grokking: una guía ilustrada para programadores y otras personas curiosas | Visualización de los algoritmos más populares utilizados en Machine Learning y programación para resolver problemas. | Algoritmos de asimilación |
| 2 | Manual de diseño de algoritmos | Introducción al análisis matemático de una variedad de algoritmos informáticos. | Manual de diseño de algoritmos |
| 3 | Teoría de categorías para programadores | Libro sobre teoría de categorías escrito en publicaciones del café de programación de Milewski | Teoría de categorías para programadores |
| 4 | Aprendizaje automático automatizado | El libro incluye descripciones generales de las técnicas básicas que necesitamos en AutoML, proporciona análisis en profundidad de los sistemas AutoML existentes y evalúa el estado del arte en AutoML. | Aprendizaje automático automatizado |
| 5 | Matemáticas para la informática | Libro del MIT sobre Matemáticas para la Informática | Matemáticas para la informática |
| 6 | Matemáticas para el aprendizaje automático | Libro de la Universidad de California sobre matemáticas para el aprendizaje automático | Matemáticas para el aprendizaje automático |
| 7 | Inteligencia artificial aplicada | Libro sobre aplicaciones de ingeniería de IA | Inteligencia artificial aplicada |
| 8 | Automatización del proceso de aprendizaje automático | Descripción general del libro sobre la automatización del ciclo de vida del aprendizaje automático con la plataforma Databricks Lakehouse | Automatización del proceso de aprendizaje automático |
| 9 | Anhelo de aprendizaje automático | El libro para ingenieros de IA gana la era del aprendizaje profundo | Anhelo de aprendizaje automático |
| 10 | Piensa en Bayes | Una introducción a las estadísticas bayesianas con implementación de Python y Jupyter Notebooks | Piensa en Bayes |
| 11 | La guía definitiva de ChatGPT | El libro que proporciona 100 recursos para mejorar tu vida con ChatGPT | La guía definitiva de ChatGPT |
| 12 | El arte de las indicaciones de ChatGPT: una guía para elaborar indicaciones claras y efectivas | El libro para aprender estrategias para crear mensajes ChatGPT convincentes que impulsen conversaciones interesantes e informativas. | El arte de las indicaciones de ChatGPT: una guía para elaborar indicaciones claras y efectivas |
| 13 | 10 indicaciones de ChatGPT para ingenieros de software | El libro para aprender a solicitar tareas de ingeniería de software. | 10 indicaciones de ChatGPT para ingenieros de software |
| 14 | Cómo desarrollar su carrera en IA | Las ideas de Andrew Ng sobre el aprendizaje de habilidades fundamentales, el trabajo en proyectos, la búsqueda de empleo y la comunidad en la máquina | Cómo desarrollar su carrera en IA |
| 15 | Aprendizaje automático Q e IA | El libro sobre preguntas populares formuladas en entrevistas sobre ML e información avanzada sobre esas preguntas. | Aprendizaje automático Q e IA |
| 16 | Una guía completa para el aprendizaje automático | Un libro gratuito de guía completa sobre ML | Una guía completa para el aprendizaje automático |
| 17 | Matemáticas para el aprendizaje profundo: lo que necesita saber para comprender las redes neuronales | Un libro de Matemáticas para el aprendizaje automático y la inteligencia artificial que aborda los fundamentos de las matemáticas y la estadística para la ciencia de datos. | Matemáticas para el aprendizaje profundo: lo que necesita saber para comprender las redes neuronales |
(Volver al inicio)
Aquí se pueden encontrar sitios web y herramientas valiosos que incluyen códigos de trucos para Python, aprendizaje automático, aprendizaje profundo, redes neuronales y otras herramientas valiosas mientras aprende o perfecciona sus habilidades. Se actualiza constantemente cuando se encuentra un material valioso para compartir en el repositorio.
| Número | Título | Descripción | Enlace |
|---|---|---|---|
| 1 | Hoja de referencia de Python | La hoja de trucos de Python basada en el libro "Automate the Boring Stuff with Python" y muchas otras fuentes | Hoja de referencia de Python |
| 2 | Hoja de referencia de algoritmos de aprendizaje automático | La hoja de trucos de aprendizaje automático que explica brevemente varios modelos | Hoja de referencia de algoritmos de aprendizaje automático |
| 3 | Impresionantes conjuntos de datos y herramientas de IA | Enlaces a conjuntos de datos públicos y de código abierto, visualizaciones de datos, recursos de análisis de datos y lagos de datos | Impresionantes conjuntos de datos y herramientas de IA |
| 4 | Hoja de referencia de aprendizaje automático | Esta hoja de referencia contiene muchas ecuaciones y diagramas clásicos sobre aprendizaje automático para recuperar rápidamente conocimientos e ideas sobre aprendizaje automático. | Hoja de referencia de aprendizaje automático |
| 5 | Inteligencia universal: una definición de inteligencia artificial | La publicación sobre definiciones de inteligencia. | Inteligencia universal |
| 6 | Regresión logística | Descripción detallada de la regresión logística | Regresión logística |
| 7 | Descripción general de BCI | Descripción general simple de la interfaz cerebro-computadora (BCI) | Descripción general de BCI |
| 8 | Investigación BCI | Investigación fascinante sobre la interfaz cerebro-computadora (BCI) | Investigación BCI |
| 9 | IA en el descubrimiento de sustancias químicas | ¿Cómo la IA está cambiando el descubrimiento químico? | IA en el descubrimiento de sustancias químicas |
| 10 | Aprendizaje automático para química | Mejores prácticas en Machine Learning para Química | Aprendizaje automático para química |
| 11 | Herramientas de IA para el descubrimiento de fármacos | 5 geniales herramientas de descubrimiento de fármacos impulsadas por IA | Herramientas de IA para el descubrimiento de fármacos |
| 12 | Química cuántica y aprendizaje profundo | La aplicación del aprendizaje profundo y las redes neuronales en la química cuántica | Química cuántica y aprendizaje profundo |
| 13 | Maquinaria informática e inteligencia | Primer artículo sobre IA de Alan Turing | Maquinaria informática e inteligencia |
| 14 | El blog sobre la toma de Alan Turing | El análisis del artículo de Alan Turing sobre IA (13 en la lista) y la publicación del blog sobre su vida. | Blog sobre Alan Turing |
| 15 | Mentes, cerebros y programas | Artículo que objeta la 'Prueba de Turing' de John Searle | Mentes, cerebros y programas |
| 16 | El blog sobre la toma de John Searle y Alan Turing | La publicación del blog sobre la toma del artículo de John Searle (15 en la lista) e ideas sobre la IA y Alan Turing | John Searle y Alan Turing |
| 17 | El canal de Youtube sobre las redes neuronales del aprendizaje profundo | Un increíble canal de YouTube que explica qué es Neural Network con descripciones simples y fáciles de seguir. | Redes neuronales del aprendizaje profundo |
| 18 | 8 arquitecturas de Redes Neuronales | 8 arquitecturas de red neuronal que todo ingeniero de ML debería conocer | 8 arquitecturas |
| 19 | Redes neuronales para la predicción de reacciones de química orgánica | El uso de redes neuronales para predecir tipos de reacciones. | NN para la predicción de reacciones de química orgánica |
| 20 | Sistema experto para predecir las condiciones de reacción: el caso de la reacción de Michael | Se construyeron modelos para decidir la compatibilidad de un proceso de química orgánica con cada opción de condición de reacción considerada. | Sistema experto para predecir las condiciones de reacción |
| 21 | Aprendizaje automático en el espacio de reacción química | Se analizaron los espacios de reacción de moléculas involucradas en múltiples reacciones utilizando conceptos de ML. | Aprendizaje automático en el espacio de reacción química |
| 22 | Aprendizaje automático para reacciones químicas | Una descripción general de las preguntas que pueden y se han abordado utilizando técnicas de aprendizaje automático | Aprendizaje automático para reacciones químicas |
| 23 | Descripción general de ByTorch | BoTorch como marco de PyTorch | Descripción general de ByTorch |
| 24 | Oficial de ByTorch | Optimización bayesiana o simplemente un sitio web oficial de BoTorch | Oficial de ByTorch |
| 25 | Hoja de referencia del código VS | Hoja de referencia de accesos directos de VS Code | Hoja de referencia del código VS |
| 26 | Hoja de referencia de aprendizaje automático simple | La hoja de trucos de aprendizaje automático de todos los campos que la componen y los algoritmos utilizados comúnmente | Hoja de referencia de aprendizaje automático |
| 27 | DeepMind y UCL sobre aprendizaje por refuerzo | Conferencias de DeepMind y UCL como videos sobre aprendizaje por refuerzo | DeepMind y UCL sobre aprendizaje por refuerzo |
| 28 | Curso completo de aprendizaje automático de Stanford | Curso completo de aprendizaje automático en forma de diapositivas de una conferencia impartido en la Universidad de Stanford | Curso completo de aprendizaje automático de Stanford |
| 29 | Especialización en aprendizaje profundo de Coursera | Especialización DL impartida por el gran Andrew Ng y su equipo en deeplearning.ai | Especialización en aprendizaje profundo de Coursera |
| 30 | Hoja de referencia de agrupación simple | Hoja de referencia simple de agrupación en clústeres de aprendizaje no supervisado | Hoja de referencia de agrupación |
| 31 | Hoja de referencia sobre la matriz de confusión | Hoja de referencia sobre exactitud, precisión, recuperación, TPR, FPR, especificidad, sensibilidad, ROC y todo eso en Confusion Matrix | Hoja de referencia sobre la matriz de confusión |
| 32 | Hojas de trucos para científicos de datos | Varias y diferentes hojas de trucos para científicos de datos | Hojas de trucos para científicos de datos |
| 33 | Visualización de agrupación de K-medias | Gráficos simples que explican la agrupación de K-Means | Visualización de agrupación de K-medias |
| 34 | Canal de Youtube de 3Blue1Brown | Canal de Youtube sobre conceptos matemáticos animados. | Conceptos matemáticos animados |
| 35 | Esencia del álgebra lineal | Lista de reproducción de YouTube sobre álgebra lineal de 3Blue1Brown | Álgebra lineal |
| 36 | La neurociencia del aprendizaje por refuerzo | Las diapositivas de Princeton sobre neurociencia para el aprendizaje por refuerzo | La neurociencia del aprendizaje por refuerzo |
| 37 | Aprendizaje por refuerzo del diseño de fármacos | Implementación del aprendizaje por refuerzo del diseño de fármacos. | Aprendizaje por refuerzo del diseño de fármacos |
| 38 | Interfaz cerebro-computadora con respaldo | BCI avanzado con un respaldo flexible y moldeable y microagujas penetrantes | Interfaz cerebro-computadora con respaldo |
| 39 | Notación O grande | Gran y sencilla explicación sobre la notación Big O | Notación O grande |
| 40 | 6 certificados de ciencia de datos | 6 certificados de ciencia de datos para impulsar tu carrera | 6 certificados de ciencia de datos |
| 41 | Sobre la medida de la inteligencia | El nuevo concepto para medir qué tan parecida es la inteligencia artificial a los humanos | Sobre la medida de la inteligencia |
| 42 | Una colección de definiciones de inteligencia | 70 y pico definiciones de inteligencia | Una colección de definiciones de inteligencia |
| 43 | Generación de código a nivel de competencia con AlphaCode | Papel AlphaCode | Generación de código a nivel de competencia con AlphaCode |
| 44 | Aprendizaje automático | ¿Qué es el aprendizaje automático? Una introducción bien explicada. | Aprendizaje automático |
| 45 | codificadores automáticos | Introducción a los codificadores automáticos y profundización en los codificadores automáticos incompletos | codificadores automáticos |
| 46 | Hoja de referencia de ChatGPT | Una hoja de referencia imprescindible para cualquiera que utilice ChatGPT con frecuencia | Hoja de referencia de ChatGPT |
| 47 | Hoja de referencia de Scikit-learn | Hoja de referencia de Scikit-Learn para el aprendizaje automático | Hoja de referencia de Scikit-Learn |
| 48 | Las 13 mejores bibliotecas de aprendizaje profundo de Python | Resumen de las principales bibliotecas de aprendizaje profundo con Python | Las 13 mejores bibliotecas de aprendizaje profundo de Python |
| 49 | Una guía sencilla para visualizaciones de aprendizaje automático | Resumen de la inspección visual del rendimiento de los modelos ML | Una guía sencilla para visualizaciones de aprendizaje automático |
| 50 | Descubriendo los errores sistemáticos cometidos por los modelos de aprendizaje automático | Resumen para descubrir errores en modelos de aprendizaje automático que logran una alta precisión general en porciones coherentes de datos de validación | Descubriendo los errores sistemáticos cometidos por los modelos de aprendizaje automático |
| 51 | ¿Explicación de la prueba de hipótesis? | Explicación de la prueba de hipótesis | Una guía sencilla para visualizaciones de aprendizaje automático |
| 52 | Curso de introducción a la IA | Curso gratuito de introducción a la IA para principiantes impartido por Microsoft | Curso de introducción a la IA |
| 53 | Trucos de productividad de ChatGPT | Trucos de productividad de ChatGPT: cinco formas de utilizar chatbots para hacerte la vida más fácil | Trucos de productividad de ChatGPT |
| 54 | Triplicar dinero con ciencia de datos | Artículo sobre cómo un becario triplicó sus ingresos con ciencia de datos en 18 meses | Triplicar dinero con ciencia de datos |
| 55 | Predicciones sobre la IA para los próximos 10 años | La predicción de Andrew Ng sobre la IA para los próximos 10 años | Predicciones sobre la IA para los próximos 10 años |
| 56 | La teoría de la mente puede haber surgido espontáneamente en grandes modelos de lenguaje | Publicación que describe modelos LLM como ChatGPT | La teoría de la mente puede haber surgido espontáneamente en grandes modelos de lenguaje |
| 57 | ¿Cómo le ayuda ChatGPT a automatizar el aprendizaje automático? | ChatGPT en aprendizaje automático | ¿Cómo le ayuda ChatGPT a automatizar el aprendizaje automático? |
| 58 | La hoja de trucos de ChatGPT | Hoja de trucos no oficial de ChatGPT | La hoja de trucos de ChatGPT |
| 59 | Libro de cocina OpenAI | Hoja de trucos oficial de ChatGPT | Libro de cocina OpenAI |
| 60 | Aprendizaje automático de gráficos con conocimiento aumentado para el descubrimiento de fármacos: una encuesta desde la precisión hasta la interpretabilidad | Implementación de Graph Machine Learning en Drug Discovery | Aprendizaje automático de gráficos con conocimiento aumentado para el descubrimiento de fármacos: una encuesta desde la precisión hasta la interpretabilidad |
| 61 | Una guía sencilla para visualizaciones de aprendizaje automático | Guía para visualizaciones de ML | Una guía sencilla para visualizaciones de aprendizaje automático |
| 62 | Cómo visualizar redes neuronales PyTorch: 3 ejemplos en Python | 3 ejemplos de visualizaciones de PyTorch | Cómo visualizar redes neuronales PyTorch: 3 ejemplos en Python |
| 63 | Papel de la visualización de datos en el aprendizaje automático | Papel de la visualización en ML | Papel de la visualización de datos en el aprendizaje automático |
| 64 | Interpretación de los resultados de las pruebas A/B: falsos positivos y significación estadística | Interpretación de los resultados de las pruebas A/B | Interpretación de los resultados de las pruebas A/B: falsos positivos y significación estadística |
| 65 | Guía completa para el diseño, la implementación y los errores de las pruebas A/B | Guía completa de pruebas A/B | Guía completa para el diseño, la implementación y los errores de las pruebas A/B |
| 66 | Consejos para científicos de datos y ingenieros de datos en sus entrevistas | Consejos para entrevistas de Seattle Data Guy | Consejos para científicos de datos y ingenieros de datos en sus entrevistas |
| 67 | Hoja de trucos de Git para ciencia de datos | Hoja de referencia de comandos de Git para ciencia de datos | Hoja de trucos de Git para ciencia de datos |
| 68 | CNN para la clasificación del cáncer de mama | Descripción general de un algoritmo para identificar automáticamente si una paciente padece cáncer de mama o no mediante la observación de imágenes de biopsia | CNN para la clasificación del cáncer de mama |
| 69 | Ley de Goodhart | Descripción general de la ley de Goodhart utilizada en OpenAI | Ley de Goodhart |
| 70 | Cómo construir una plataforma de aprendizaje automático desde cero | Forma estándar de diseñar, entrenar e implementar modelos. | directamente Cómo construir una plataforma de aprendizaje automático desde cero |
| 71 | Resumen del aprendizaje autosupervisado | Descripción general del aprendizaje autosupervisado | Resumen del aprendizaje autosupervisado |
| 72 | Resumen de MLOps (2021) | Descripción general de MLOps | Resumen de MLOps (2021) |
| 73 | Resumen de MLOps (2020) | Descripción general de MLOps | Resumen de MLOps (2020) |
| 74 | El arte de las redes neuronales | Representaciones artísticas de Redes Neuronales | El arte de las redes neuronales |
| 75 | Patrones de diseño de MLOps | Un resumen de patrones de diseño en MLOps | Patrones de diseño de MLOps |
| 76 | Cómo estar al tanto de lo que sucede en el mundo de la IA | Recursos sobre cómo mantenerse al día con todas las noticias y navegar a través del flujo interminable de información de IA. | Cómo estar al tanto de lo que sucede en el mundo de la IA |
| 77 | ChatGPT y API Whisper | Herramienta de integración para desarrolladores de ChatGPT y Whisper API | ChatGPT y API Whisper |
| 78 | 20 proyectos de aprendizaje automático que harán que te contraten | Proyectos que deberían conseguir que te contraten como ingeniero de ML | 20 proyectos de aprendizaje automático que harán que te contraten |
| 79 | Los 7 principales lenguajes de programación de aprendizaje automático | Principales lenguajes de programación utilizados en el aprendizaje automático | Los 7 principales lenguajes de programación de aprendizaje automático |
| 80 | Pruebas efectivas para proyectos de aprendizaje automático (Parte I) | Publicación de blog sobre pruebas efectivas para proyectos de aprendizaje automático (Parte I) | Pruebas efectivas para proyectos de aprendizaje automático (Parte I) |
| 81 | Pruebas efectivas para proyectos de aprendizaje automático (Parte II) | Publicación de blog sobre pruebas efectivas para proyectos de aprendizaje automático (Parte II) | Pruebas efectivas para proyectos de aprendizaje automático (Parte III) |
| 82 | Pruebas efectivas para proyectos de aprendizaje automático (Parte III) | Publicación de blog sobre pruebas efectivas para proyectos de aprendizaje automático (Parte III) | Pruebas efectivas para proyectos de aprendizaje automático (Parte III) |
| 83 | Toma de decisiones en Netflix | Cómo Netflix utiliza las pruebas A/B para tomar decisiones que mejoren continuamente sus productos, para que puedan brindar más alegría y satisfacción a los miembros | Toma de decisiones en Netflix |
| 84 | ¿Qué es una prueba A/B? | Cómo Netflix utiliza las pruebas A/B para informar decisiones e innovar continuamente en sus productos | ¿Qué es una prueba A/B? |
| 85 | Interpretación de los resultados de las pruebas A/B: falsos positivos y significación estadística | Interpretar los resultados de las pruebas A/B observando los falsos positivos y la significación estadística | Interpretación de los resultados de las pruebas A/B: falsos positivos y significación estadística |
| 86 | Guía completa para el diseño, la implementación y los errores de las pruebas A/B | Pruebas A/B de extremo a extremo para sus experimentos de ciencia de datos para especialistas técnicos y no técnicos con ejemplos e implementación de Python | Guía completa para el diseño, la implementación y los errores de las pruebas A/B. |
| 87 | Diez conceptos estadísticos que debe conocer para entrevistas sobre ciencia de datos | Conceptos estadísticos necesarios para ser conocido para entrevistas de ciencia de datos | Diez conceptos estadísticos que debe conocer para las entrevistas sobre ciencia de datos. |
| 88 | Evaluación de modelos de aprendizaje profundo: matriz de confusión, exactitud, precisión y recuperación | Descripción general de la evaluación de modelos de ML con métricas de Matriz de confusión, Exactitud, Precisión y Recuperación | Evaluación de modelos de aprendizaje profundo: matriz de confusión, exactitud, precisión y recuperación |
| 89 | Inteligencia artificial en medicina: ¿superar o recapitular los desafíos estructurales para mejorar la atención al paciente? | Perspectiva de la IA en medicina | Inteligencia artificial en medicina: ¿superar o recapitular los desafíos estructurales para mejorar la atención al paciente? |
| 90 | Graficar redes neuronales en el descubrimiento de fármacos | Aplicación de aprendizaje profundo para transformar el proceso de descubrimiento de fármacos para aumentar la eficiencia en la búsqueda de nuevos compuestos. | Graficar redes neuronales en el descubrimiento de fármacos |
| 91 | Nuevo enfoque de IA para reducir el ruido en los datos de rayos X | Descripción general del uso de codificadores automáticos para reemplazar datos de rayos X ruidosos con señales de entrada libres de ruido | Nuevo enfoque de IA para reducir el ruido en los datos de rayos X |
| 92 | Procesamiento del lenguaje natural | La guía cubre cómo funciona, dónde se aplican las mejores técnicas y más. | Procesamiento del lenguaje natural |
| 93 | Hoja de trucos de Big O | Hoja de trucos de Big O para estructuras de datos n.° 1 | Hoja de trucos de Big O |
| 94 | Hoja de trucos de Big O | Hoja de trucos de Big O para estructuras de datos n.° 2 | Hoja de trucos de Big O |
| 95 | Un estudio completo del contenido generado por IA (AIGC): una historia de la IA generativa desde GAN hasta ChatGPT | Una descripción histórica de las técnicas y aplicaciones de la IA generativa | Un estudio completo del contenido generado por IA (AIGC): una historia de la IA generativa desde GAN hasta ChatGPT |
| 96 | ChatDoctor | Un modelo de chat médico ajustado en el modelo LLaMA utilizando el conocimiento del dominio médico | ChatDoctor |
| 97 | TODA LA HOJA DE TRUCOS | Hojas de trucos desde inteligencia artificial hasta ingeniería de datos, aprendizaje automático, Linux, matemáticas, R, Matlab y muchos más campos. | TODA LA HOJA DE TRUCOS |
| 98 | GMAI | Documento sobre una IA médica generalista (GMAI) para impulsar el desarrollo de modelos de IA médica a gran escala, aumentar la precisión en las tareas médicas, facilitar el acceso a información médica compleja y ayudar a los equipos quirúrgicos | GMAI |
| 99 | 9 indicaciones esenciales de ChatGPT | 9 indicaciones esenciales de ChatGPT con ejemplos | 9 mensajes esenciales de ChatGPT |
| 100 | Extensión IPython ChatGPT | Extensión que le permite usar ChatGPT directamente desde su Jupyter Notebook o IPython Shell | Extensión IPython ChatGPT |
| 101 | Asistente abierto | Alternativa de código abierto a ChatGPT | Asistente abierto |
| 102 | DINOV2 | El modelo de transformador de visión no supervisado se puede utilizar como columna vertebral para casi todas sus tareas de CV | DINOV2 |
| 103 | datosmol | Conjunto de herramientas de código abierto que simplifica los flujos de trabajo de caracterización y procesamiento molecular para científicos de aprendizaje automático en el descubrimiento de fármacos. | datosmol |
| 104 | Comparación de ChatGPT y GPT4 | Imagen comparando ChatGPT con GPT | Comparación de ChatGPT y GPT4 |
| 105 | Libro de cocina de aprendizaje autosupervisado | Investigaciones y todos los apuntes sobre la materia oscura de la inteligencia | Libro de cocina de aprendizaje autosupervisado |
| 106 | Hoja de trucos de ingeniería rápida | Ayudar a escribir excelentes mensajes para Chat Bots como GPT | Hoja de trucos de ingeniería rápida |
| 107 | Guía del copiloto de GitHub | Guía de GitHub Copilot en forma de diapositivas | Guía del copiloto de GitHub |
| 108 | Comparación de GitHub Copilot con ChatGPT | Comparación de un chatbot con un asistente de programación en forma de diapositivas | Comparación de GitHub Copilot con ChatGPT |
| 109 | Comparación de GitHub Copilot con Codeium | Comparación de ayudantes de codificación; uno de pago, otro de código abierto | Comparación de GitHub Copilot con Codeium |
| 110 | Comenzando con AutoGPT | Primeros pasos con AutoGPT - Instalación - Casos de uso - Posible uso indebido | [https://github.com/aurimas13/Machine-Learning-Goodness/blob/main/Notes/AutoGPT_Guide.pdf] |
| 111 | Herramientas útiles de IA | Herramientas de inteligencia artificial útiles, desde Copilot hasta AutoGPT, MidJourney, Grammarly y bots conversacionales | [https://github.com/aurimas13/Machine-Learning-Goodness/blob/main/Notes/Useful_AI_Tools.pdf] |
| 112 | Hoja de referencia de indicaciones de ChatGPT | Hoja de referencia de indicaciones útiles de ChatGPT | Hoja de referencia de indicaciones de ChatGPT |
| 113 | MACHINE LEARNING Un primer curso para ingenieros y científicos | Aprendizaje automático desde principiantes hasta información avanzada de la Universidad de Cambridge | MACHINE LEARNING Un primer curso para ingenieros y científicos. |
| 114 | Proyectos de aprendizaje automático | Proyectos de aprendizaje automático | Proyectos de aprendizaje automático |
| 115 | Manual de ciencia de datos de Python | Manual de ciencia de datos de Python | Manual de ciencia de datos de Python |
| 116 | Una introducción a la estadística con Python | La estadística es una rama de las matemáticas que se ocupa de la recopilación, análisis, interpretación, presentación y organización de datos. | Una introducción a la estadística con Python |
| 117 | Python para todos | Python para todos | Python para todos |
| 118 | Aprendizaje automático con Python para todos (Serie Addison-Wesley Data & Analytics) | Aprendizaje automático con Python para todos | Aprendizaje automático con Python para todos (Serie Addison-Wesley Data & Analytics) |
| 119 | Python para análisis de datos | Python para análisis de datos | Python para análisis de datos |
| 120 | Conceptos básicos de la ciencia de datos de Python | Conceptos básicos de la ciencia de datos de Python | Conceptos básicos de la ciencia de datos de Python |
| 121 | Modelado de datos gráficos con Python | Modelado de datos gráficos con Python | Modelado de datos gráficos con Python |
| 122 | 50 días de Python: un desafío al día. | 50 días de Python: un desafío al día. | 50 días de Python: un desafío al día. |
| 123 | Pequeños proyectos de Python | Pequeños proyectos de Python | Pequeños proyectos de Python |
| 124 | Herramientas de IA alucinantes | Herramientas de inteligencia artificial, desde escritura hasta video, diseño, productividad, marketing y chatbot. | Herramientas de IA alucinantes |
| 125 | Más de 150 proyectos de Python con código fuente | 179 proyectos de Python con código fuente | Más de 150 proyectos de Python con código fuente |
(Volver al inicio)
Aquí se pueden encontrar valiosos repositorios de GitHub relacionados con los cursos ML/DL/NN/AGI con todos los detalles incluidos:
| Número | Título | Descripción | Enlace |
|---|---|---|---|
| 1 | Curso avanzado de IA | Curso avanzado de IA de Code Academy en Lituania | Curso avanzado de IA |
| 2 | GitHub en el curso de aprendizaje profundo de Coursera | Repo de GitHub para la especialización en aprendizaje profundo de Coursera por deeplearning.ai | GitHub en el curso DL de Coursera |
| 3 | Notas sobre el curso de aprendizaje profundo de Coursera | Notas de clase para la especialización en aprendizaje profundo de Coursera por deeplearning.ai | Notas sobre el curso DL de Cousera |
| 4 | Teoría de categorías sobre aprendizaje automático | Github que contiene una lista de publicaciones de teoría de categorías en varios campos de la IA | Teoría de categorías sobre ML |
| 5 | Fundamentos del aprendizaje automático | Comprender los conceptos, técnicas y marcos matemáticos utilizados por los expertos en aprendizaje automático | Fundamentos del aprendizaje automático |
| 6 | Impresionante vida real | Repositorio de Github con materiales increíbles sobre aprendizaje por refuerzo | Impresionante vida real |
| 7 | Optimización de reacciones químicas | Optimización de reacciones químicas con aprendizaje por refuerzo profundo | Optimización de reacciones químicas |
| 8 | Hojas de trucos de aprendizaje automático | Hojas de trucos de aprendizaje automático sobre aprendizaje supervisado, no supervisado y profundo, así como consejos y trucos | Hojas de trucos de aprendizaje automático |
| 9 | Cursos de ML en Youtube | Cursos más recientes de Machine Leaning disponibles en Youtube | Curso de ML en Youtube |
| 10 | Notas del curso de aprendizaje automático | Apuntes sobre los cursos relacionados con Machine Learning | Notas del curso de aprendizaje automático |
| 11 | Pruebas efectivas para proyectos de ML | Repositorio de GitHub para pruebas efectivas para proyectos de aprendizaje automático | Pruebas efectivas para proyectos de ML |
| 12 | ChatDoctor | Repositorio de GitHub para ChatDoctor mientras se escribe sobre él el día 90 o se accede como elemento 96 en la herramienta | ChatDoctor GitHub |
| 13 | GPT automático | Repositorio GitHub de una aplicación experimental que muestra las capacidades de GPt4 | GPT automático |
| 14 | Vicuña-13B | Un chatbot de código abierto entrenado mediante el ajuste de LLaMA en ~70.000 conversaciones ChatGPT compartidas por usuarios | Vicuña-13B |
| 15 | Guía de ingeniería rápida | Guía de ingeniería rápida | Guía de ingeniería rápida |
| 16 | Lo mejor del aprendizaje automático con Python | 910 proyectos de aprendizaje automático seleccionados | Lo mejor del aprendizaje automático con Python |
| 17 | Ciencia de datos para principiantes: un plan de estudios | Los defensores de la nube de Azure en Microsoft se complacen en ofrecer un plan de estudios de 10 semanas y 20 lecciones sobre ciencia de datos. | Ciencia de datos para principiantes: un plan de estudios |
| 18 | Datos-Ciencia-Entrevista-Recursos | Recursos para entrevistas sobre ciencia de datos | Datos-Ciencia-Entrevista-Recursos |
| 19 | IMPRESIONANTE CIENCIA DE DATOS | Repositorio de ciencia de datos de código abierto para aprender y aplicar habilidades de ciencia de datos para resolver problemas del mundo real. | IMPRESIONANTE CIENCIA DE DATOS |
| 20 | datosmol | Conjunto de herramientas de código abierto que simplifica los flujos de trabajo de caracterización y procesamiento molecular para científicos de aprendizaje automático en el descubrimiento de fármacos. | datosmol |
| 21 | privadoGPT | Una herramienta mágica donde puedes hacer preguntas a tus documentos sin conexión a Internet simplemente usando el poder de los LLM | privadoGPT |
| 22 | modelo RT-2 | Un modelo que utiliza hasta 55B de parámetros backbone y lo ajusta para generar directamente acciones del robot que se ejecutan en el mundo real. | RT-2 |
| 23 | GPTCache | Una herramienta que le permite almacenar en caché los resultados de las llamadas a la API GPT-3 y reutilizarlos más tarde | GPTCache |
| 24 | Impresionantes herramientas para desarrolladores impulsadas por IA | Herramientas que aprovechan la IA para ayudar a los desarrolladores en tareas como completar código, refactorizar, depurar, documentar y más. | Impresionantes herramientas para desarrolladores impulsadas por IA |
(Volver al inicio)
Aquí se pueden encontrar cuadernos de varios conjuntos de datos.
(Volver al inicio)
Las notas adicionales que cubrimos a través de conferencias o material que mencioné y hablé se pueden encontrar aquí.
(Volver al inicio)
Los materiales del desafío #100DaysOfMLCode para cada día se pueden encontrar aquí, en la sección README .
(Volver al inicio)
Los materiales del desafío #FinishYearWithML para cada día se pueden encontrar aquí en la sección README .
(Volver al inicio)
La carpeta pública contiene dos archivos:
(Volver al inicio)
Lo primero que es bueno es que también puedes ejecutar Jupyter a través del navegador. Para ello, accede aquí y lee más sobre ello en este artículo.
Si tiene dificultades para ejecutar Jupyter Notebook a través del navegador, puede utilizar Google Colab haciendo clic aquí. Las funcionalidades de ambas máquinas son similares.
(Volver al inicio)
El Logo del repositorio se puede encontrar aquí.
(Volver al inicio)
La LICENCIA MIT se puede encontrar aquí.
