30 increíbles proyectos de aprendizaje automático
No 1
- ¿Cuál es la importancia de la gestión, análisis y seguridad de datos para una empresa?
- ¿Qué cantidad de datos ha consumido al usar Jio 4g?
- ¿Cuál es la diferencia entre el algoritmo K-Nearest Neighbours y el modelo de suavizado exponencial simple en un problema de serie temporal?
- ¿Existe algún beneficio de saber que Java debe seguir el camino de ser un científico de datos o puede tomarse como un complemento? (Java-as Map reduce los requisitos previos: análisis de Big Data)
- ¿El análisis de datos y el aprendizaje automático van de la mano o son actividades mutuamente excluyentes?
FastText: Biblioteca para una rápida representación y clasificación de texto. [11786 estrellas en Github] . Cortesía de Facebook Research.
No 2
Transferencia de estilo de foto profunda: Código y datos para el papel “Transferencia de estilo de foto profunda” [9747 estrellas en Github] . Cortesía de Fujun Luan, Ph.D. en la universidad de Cornell
Numero 3
La API de reconocimiento facial más simple del mundo para Python y la línea de comando [8672 estrellas en Github] . Cortesía de Adam Geitgey.
No. 4
Magenta: generación de música y arte con inteligencia artificial [8113 estrellas en Github] .
Numero 5
Soneto: biblioteca de red neuronal basada en TensorFlow [5731 estrellas en Github] . Cortesía de Malcolm Reynolds en Deepmind.
No 6
deeplearn.js: una biblioteca de inteligencia de máquina acelerada por hardware para la web [5462 estrellas en Github] . Cortesía de Nikhil Thorat en Google Brain
No 7
Transferencia de estilo rápida en TensorFlow [4843 estrellas en Github] . Cortesía de Logan Engstrom en MIT
No 8
Pysc2: StarCraft II Learning Environment [3683 estrellas en Github] . Cortesía de Timo Ewalds en DeepMind
No 9
AirSim: simulador de código abierto basado en Unreal Engine para vehículos autónomos de Microsoft AI & Research [3861 estrellas en Github] . Cortesía de Shital Shah en Microsoft
No 10
Facetas: visualizaciones para datasets de aprendizaje automático [3371 estrellas en Github] . Cortesía de Google Brain.
No 11
Style2Paints: coloración AI de imágenes [3310 estrellas en Github] .
No 12
Tensor2Tensor: una biblioteca para modelos de secuencia a secuencia generalizados – Google Research [3087 estrellas en Github] . Cortesía de Ryan Sepassi en Google Brain
No 13
Traducción de imagen a imagen en PyTorch (por ejemplo, horse2zebra, edge2cats y más) [2847 estrellas en Github] . Cortesía de Jun-Yan Zhu, Ph.D en Berkeley
No 14
Faiss: una biblioteca para búsqueda eficiente de similitud y agrupamiento de vectores densos. [2629 estrellas en Github] . Cortesía de Facebook Research.
No 15
Fashion-mnist: una base de datos de productos de moda similar a MNIST [2780 estrellas en Github] . Cortesía de Han Xiao, científico investigador Zalando Tech.
No 16
ParlAI: Un marco para entrenar y evaluar modelos de IA en una variedad de conjuntos de datos de diálogo disponibles abiertamente [2578 estrellas en Github] . Cortesía de Alexander Miller en Facebook Research.
No 17
Fairseq: Facebook AI Research Sequence-to-Sequence Toolkit [2571 estrellas en Github] .
No 18
Pyro: programación probabilística universal profunda con Python y PyTorch [2387 estrellas en Github] . Cortesía de Uber AI Labs.
No 19
iGAN: Generación interactiva de imágenes con tecnología GAN [2369 estrellas en Github] .
No 20
Deep-image-before: Restauración de imágenes con redes neuronales pero sin aprendizaje [2188 estrellas en Github] . Cortesía de Dmitry Ulyanov, Ph.D. en Skoltech.
No 21
Face_classification: detección de rostros en tiempo real y clasificación de emociones / género utilizando conjuntos de datos fer2013 / imdb con un modelo keras CNN y openCV. [1967 estrellas en Github] .
No 22
Speech-to-Text-WaveNet: reconocimiento de voz en inglés de nivel de oración de extremo a extremo utilizando WaveNet de DeepMind y tensorflow [1961 estrellas en Github] . Cortesía de Namju Kim en Kakao Brain
No 23
StarGAN: Redes Adversarias Generativas Unificadas para la Traducción de Imagen a Imagen de Dominios Múltiples [1954 estrellas en Github] . Cortesía de Yunjey Choi en la Universidad de Corea.
No 24
Ml-agents: Unity Machine Learning Agents [1658 estrellas en Github] . Cortesía de Arthur Juliani, Deep Learning en Unity3D
No 25
DeepVideoAnalytics: una plataforma distribuida de búsqueda visual y análisis de datos visuales [1494 estrellas en Github] . Cortesía de Akshay Bhat, Ph.D. en la Universidad de Cornell.
No 26
OpenNMT: Traducción automática neuronal de código abierto en la antorcha [1490 estrellas en Github] .
No 27
Pix2pixHD: Sintetizar y manipular imágenes de 2048 × 1024 con GAN condicionales [1283 estrellas en Github] . Cortesía de Ming-Yu Liu de AI Research Scientist en Nvidia
No 28
Horovod: marco de entrenamiento distribuido para TensorFlow. [1188 estrellas en Github] . Cortesía de Uber Engineering.
No 29
Bloques AI: una interfaz WYSIWYG potente e intuitiva que permite a cualquiera crear modelos de Machine Learning [899 estrellas en Github] .
No 30
Redes neuronales profundas para la conversión de voz (transferencia de estilo de voz) en Tensorflow [845 estrellas en Github] . Cortesía de Dabi Ahn, AI Research en Kakao Brain
Los proyectos de código abierto pueden ser útiles para los científicos de datos. Puede aprender leyendo el código fuente y construir algo sobre los proyectos existentes. Dedique mucho tiempo a jugar con los proyectos de Machine Learning que puede haberse perdido durante el año pasado.