大地影院mv在线观看视频免费,成人+在线播放,аⅴ资源天堂资源库在线

您是AI工程師，想知道如何獲得可以將您的技能進行實際測試的資源？根據(jù)那裡的大量信息，可能很難為您尋找正確的解決方案。因此，我們介紹了每個AI工程師都應該熟悉的所有十個GitHub LLM存儲庫的列表。這些不僅僅是學術界的任務；這些是由Microsoft，KarPathy和開源社區(qū)的專家開發(fā)的實際項目。

無論您只是進入機器學習的世界，深入大型語言模型，還是將AI代理部署到生產(chǎn)中，這些存儲庫都提供簡單的代碼，指導項目和行業(yè)領域以探索。換句話說，從學習到構建到部署，都可以將其視為您的指南，以使AI更聰明，更快，更好。

1。初學者的機器學習

初學者的機器學習是一個由微軟制定的為期12週的學習計劃，該計劃通過現(xiàn)實世界數(shù)據(jù)和Scikit-Learn庫來教授機器學習的基礎知識。它是系統(tǒng)地佈置的，類似於課堂課程，其中包括有關監(jiān)督學習和無監(jiān)督學習，分類，回歸，聚類和時間序列分析的課程。每個模塊包括交互式jupyter筆記本，活動和測驗以確認理解。該存儲庫將復雜的機器學習概念分解為更易消化的主題，使個人可以通過練習和實驗學習寶貴的技能。

最適合：

希望開始學習機器學習的結構化方法的完整初學者。
正在教學的教育工作者。
希望從真實數(shù)據(jù)中學習並建立投資組合的自我學習者。

github存儲庫： https：//github.com/microsoft/ml-for-beginners

2。初學者的AI

初學者的AI是ML基礎的擴展，可將學生帶入AI，探索深度學習，自然語言處理，計算機視覺模型和變形金剛。這也是Microsoft創(chuàng)建的，這是一個為期12週的課程，提供了Pytorch和Tensorflow之類的工具，可讓學生通過動手實踐和互動實驗室學習基礎AI原理。前者深入研究算法原則，但重點是道德AI，模型部署以及對現(xiàn)實世界實施的考慮因素包括應用程序的終結。儘管可以平衡兩者，但最好對於某些從標準ML過渡到AI的學生。

最適合：

從ML過渡到AI的學生
想要取代與神經(jīng)網(wǎng)絡和變壓器模型一起工作的開發(fā)人員
想要經(jīng)驗和項目接觸現(xiàn)代AI應用程序的學生

GitHub LLM存儲庫： https：//github.com/microsoft/ai-for-beginners

3。神經(jīng)網(wǎng)絡：零對英雄

動手深入研究Andrej Karpathy，神經(jīng)網(wǎng)絡創(chuàng)建的深度學習的內(nèi)部運作：零對英雄，專注於如何僅使用Python和Numpy從頭開始構建神經(jīng)網(wǎng)絡和GPT風格的模型，而沒有高級庫。 karpathy採用了諸如反向傳播，梯度下降和自我注意力之類的困難概念，並將它們分解為易於學習代碼的易於學習課程。真正的獎項是迷你-GPT實施，該實施涉及變形金剛在低級別的功能。

最適合：

想要從第一原則中學習深入學習的工程師和研究人員
想要從頭開始實施神經(jīng)網(wǎng)絡的人
喜歡看低級代碼的好奇學習者

github存儲庫： https：//github.com/karpathy/nn-zero-to-hero

4。深度學習論文實施

這是最新深度學習論文的Pytorch實現(xiàn)的策劃集合，包括gan，變形金剛，擴散模型等。我們的目標是協(xié)助希望邁出下一步的開發(fā)人員，而不僅僅是閱讀深度學習論文並推動實施文章。每個模型都已清楚，簡潔地實現(xiàn)，這通常與本文所述的結果相同。借助此存儲庫，工程師可以在生成AI和計算機視覺的領域中復制實驗，了解發(fā)明並擴展現(xiàn)代最先進的體系結構。

最適合：

重現(xiàn)領先的ML論文的最先進結果
使用實際代碼學習新體系結構
擴展或修改先進的深度學習模型

Github LLM存儲庫： https：//github.com/lucidrains

5。用ML製造

用ML製成的是為從設計和開發(fā)到部署和監(jiān)視的整個機器學習生命週期創(chuàng)建的完整課程。由Goku Mohandas建造的，由ML製成，重點介紹了數(shù)據(jù)版本（DVC），連續(xù)集成，測試ML管道，通過API為模型服務以及監(jiān)視生產(chǎn)中的ML系統(tǒng)。它還包括圍繞負責人的AI和可重複性的概念。這是一個真正的MLOPS訓練營，尤其是對從事生產(chǎn)系統(tǒng)工作的工程師來說很有價值。

最適合：

MLOPS和AI工程師在現(xiàn)實世界中部署ML系統(tǒng)
建立大規(guī)模ML基礎設施的團隊
想要獲得端到端ML的學習體驗的學習者

AI工程師的GitHub存儲庫： https：//github.com/gokumohandas/made-with-ml

6。大型語言模型

動手LLMS是用於構建和調整大型語言模型的工作流程。該倉庫擴展了流行的O'Reilly書，並具有用於探索令牌化，注意力，變壓器塊，抹布（檢索輔助生成），嵌入和評估方法的筆記本的用戶交互性。它使用擁抱面孔變壓器和蘭鏈集成為開發(fā)具有完全可解釋性和模塊化，現(xiàn)實世界應用的現(xiàn)實應用程序（例如聊天機器人，摘要和文檔QA系統(tǒng)）的基礎。

最適合：

工程師正在將LLMS實施到有形的現(xiàn)實世界中。
將為特定域任務微調模型的開發(fā)人員。
研究人員正在調查迅速的策略和評估指標。

基於AI的GitHub存儲庫： https：//github.com/pinecone-io/handbook-llms

7。高級抹布技術

該存儲庫包含30多個檢索增強生成（RAG）方法的改編，例如Hyde，GraphRag和更複雜的切塊方法。它的使用支持了通過不同的嵌入模型，矢量商店，文檔拆分，重新計算和性能基準測試進行實驗的能力。社區(qū)可以使用文檔和查詢類型作為性能標準來揭示各種方法的搜索，以揭示每種情況最合適的方法，從而優(yōu)化LLM驅動的搜索和QA解決方案。

最適合：

正在為行業(yè)設計和建造抹布系統(tǒng)的AI工程師
試圖使知識檢索過程更快的同時保持質量完整的團隊
對矢量搜索，混合和圖形方法進行比較研究的科學家

github存儲庫： https：//github.com/nirdiamant/rag_techniques

8。初學者的AI代理商

Microsoft的這一新的用戶友好型回購是對AI代理的學習者的簡介，AI代理是由LLMS提供支持的自主系統(tǒng)，可以計劃，決定和採取行動。該存儲庫有11個經(jīng)驗實驗室 - 全部使用Autogen，Langchain，OpenAI API等來執(zhí)行多步，多轉彎任務，調用工具，搜索知識並與其他代理商協(xié)作的代碼代理。每個實驗室都以清晰且可重現(xiàn)的方式介紹了動作計劃，工具鏈，內(nèi)存和及時工程的概念。

最適合：

AI代理商或代理工作流程的開發(fā)人員
想要開發(fā)基於動手代理的AI課程的教育者
黑客正在從頭開始建立自主任務代理

GitHub LLM存儲庫： https：//github.com/microsoft/ai-agents

9.代理生產(chǎn)的代理

生產(chǎn)代理是將AI代理從概念證明到生產(chǎn)的全面指南。我們將介紹用於編排，工具集成，錯誤處理，重試邏輯，安全性，內(nèi)存（REDIS，向量DBS）的實施模式，並與FastAPI和Docker部署。對可擴展代理系統(tǒng)的興趣正在增長，此存儲庫是將可靠和可擴展的代理工作流傳遞到行業(yè)的模板。

最適合：

開發(fā)人員在生產(chǎn)中部署AI代理
團隊建立全棧代理基礎設施
使用Langgraph，OpenIgent或Autogen的專業(yè)人士

GitHub LLM存儲庫： https：//github.com/nirdiamant/agents-towards-production

10。 AI工程中心

AI Engineering Hub是跨LLM，抹布和自治代理的70個現(xiàn)實項目，教程和模板的巨大，精心策劃的集合。它是為想要通過實用，動手實踐的經(jīng)驗來提高技能的工程師而設計的。網(wǎng)站上的每個項目都有困難和類別標籤，並鏈接到COLAB，參考和建議的自定義。該集線器是一個數(shù)字沙盒，用於學習您想嘗試的每個AI工具，準備分叉和混音。

最適合：

建立Genai和基於代理的應用程序的投資組合
以模塊化的方式練習高級LLM工作流程
嘗試新工具和框架

github存儲庫： https：//github.com/ashishps1/learn-ai-engineering

結論

為了擅長AI，您不能指望只閱讀論文或遵循教程；您需要使用適當?shù)墓ぞ邩嫿ê偷Ｎ覀冇懻撨^的GitHub LLM存儲庫是一個完整的軟件包。您可以從學習機器學習到實時與這些AI代理進行互動。如果您一直專注於深度學習，大語言模型（LLM），檢索功能的一代（RAG）和/或代理編排，那麼您將有很多強大的現(xiàn)實世界項目可以藉鑑。

查看它們，分叉代碼，修改模型並構建自己的東西。在諸如AI之類的快速移動領域中，Active =學習，這些存儲庫是活躍的好方法。