Sind Sie ein KI -Ingenieur und fragen sich, wie Sie Ressourcen erreichen k?nnen, die Ihre F?higkeiten auf einen praktischen Test bringen k?nnen? Es ist m?glicherweise schwierig, nach der richtigen L?sung für Sie zu suchen, basierend auf der gro?en Menge an Informationen. Dies sind keine blo?en Aufgaben in der Wissenschaft; Dies sind praktische, reale Projekte, die von Experten aus Microsoft-, Karpathy- und Open-Source-Gemeinschaften entwickelt wurden.

Unabh?ngig davon, ob Sie nur in die Welt des maschinellen Lernens eintreten, tief in Gro?sprachenmodelle in gro?er Sprache eingehen oder KI -Agenten in Produktion einsetzen, diese Repositories bieten einfache Code, geführte Projekte und Branchenbereiche zur Erkundung. Mit anderen Worten, vom Lernen über den Aufbau bis zur Bereitstellung betrachten Sie dies als Ihren Leitfaden, um mit KI intelligenter, schneller und besser zu werden.

Inhaltsverzeichnis

• Maschinelles Lernen für Anf?nger
• KI für Anf?nger
• Neuronale Netze: Null zu Helden
• Implementierungen für tiefe Lernpapier
• Mit ml gemacht
• Praktische gro?sprachige Modelle
• Fortgeschrittene Lappentechniken
• KI -Agenten für Anf?nger
• Agenten für die Produktion
• AI Engineering Hub
• Abschluss
• H?ufig gestellte Fragen

1. maschinelles Lernen für Anf?nger

Maschinelles Lernen für Anf?nger ist ein 12-w?chiger Lernplan, der von Microsoft erstellt wurde, der die Grundlagen des maschinellen Lernens mit realen Daten und der Scikit-Learn-Bibliothek lehrt. Es ist systematisch ?hnlich wie ein Klassenzimmerkurs und beinhaltet Lektionen zum überwachten Lernen und unbeaufsichtigtem Lernen, Klassifizierung, Regression, Clusterbildung und Zeitreihenanalyse. Jedes Modul enth?lt interaktive Jupyter -Notizbücher, Aktivit?ten und Quiz, um das Verst?ndnis zu best?tigen. Dieses Repository unterteilt komplizierte Konzepte für maschinelles Lernen in verdaulichere Themen, sodass Einzelpersonen durch übung und Experimente wertvolle F?higkeiten erlernen k?nnen.

Am besten für:

• Vollst?ndige Anf?nger, die eine strukturierte M?glichkeit wünschen, über maschinelles Lernen zu lernen.
• P?dagogen, die unterrichten, haben ML angewendet.
• Selbstlerner, die aus echten Daten lernen und ein Portfolio erstellen m?chten.

Github Repository: https://github.com/microsoft/ml-for-beginers

2. AI für Anf?nger

KI für Anf?nger ist eine Erweiterung der ML -Basis, um die Schüler in die KI zu bringen und Deep -Lernen, Verarbeitung natürlicher Sprache, Computer -Vision -Modelle und Transformatoren zu erforschen. Es wurde auch von Microsoft erstellt, es ist ein 12-w?chiger Kurs, der Tools wie Pytorch und TensorFlow bietet und es den Schülern erm?glicht, grundlegende KI-Prinzipien durch praktische Praxis und interaktive Labors zu lernen. W?hrend sich der erstere mit algorithmischen Prinzipien befasst, umfassen die Betonung der ethischen KI, der Modelleinstellung und der überlegungen zur realen Implementierung das Anwendungsende. Es ist zwar gut, die beiden auszugleichen, aber es ist am besten, dass einige Schüler von Standard ML zu AI wechseln.

Am besten für:

• Studenten, die von ML zu KI wechseln
• Entwickler, die die Notwendigkeit ersetzen m?chten, mit neuronalen Netzwerken und Transformatormodellen zu arbeiten
• Studenten, die Erfahrung und Projekte in modernen KI -Anwendungen m?chten

Github LLM Repository: https://github.com/microsoft/ai-for-beginers

3. Neuronale Netze: Null zu Helden

Ein praktischer Eintauch in die inneren Funktionsweise von Deep-Lernen, die von Andrej Karpathy, neuronalen Netzwerken: Zero to Hero, erzeugt werden, konzentriert sich darauf, wie man neuronale Netzwerke und GPT-Modelle von Grund auf neu aufbauen, indem sie nur Python und Numpy ohne hochrangige Bibliotheken unter Verwendung von Python und Numpy bauen. Karpathy nimmt schwierige Konzepte wie Backpropagation, Gradientenabstieg und Selbstbek?mpfung an und zerlegt sie in leicht zu lernen zu lernen mit Code. Der eigentliche Preis ist die Mini-GPT-Implementierung, die darüber geht, wie Transformatoren auf einer niedrigen Ebene funktionieren.

Am besten für:

• Ingenieure und Forscher, die aus den ersten Prinzipien etwas über tiefes Lernen lernen m?chten
• Menschen, die neuronale Netze von Grund auf neu implementieren m?chten
• Der neugierige Lernende, der es liebt, auf niedrige Code zu schauen

Github Repository: https://github.com/karpathy/nn-Zero-to-hero

4. Implementierungen für Deep Learning Paper

Dies ist eine kuratierte Sammlung von Pytorch -Implementierungen der neuesten Deep Learning Papers, darunter Gans, Transformatoren, Diffusionsmodelle und mehr. Unser Ziel ist es, Entwicklern zu unterstützen, die den n?chsten Schritt über das Lesen von Deep Learning Papers hinausgehen und die Implementierung der Artikel vorantreiben m?chten. Jedes Modell wurde klar und pr?zise implementiert, was oft die gleichen Ergebnisse erzielt, die in der Arbeit erw?hnt werden. Mit diesem Repository k?nnen Ingenieure Experimente reproduzieren, Erfindungen verstehen und moderne hochmoderne Architekturen in den Bereichen generative KI und Computer Vision erweitern.

Am besten für:

• Reproduzieren hochmoderner Ergebnisse aus führenden ML-Papieren
• Neue Architekturen mit tats?chlichem Code lernen
• Erweiterung oder Modifizierung fortschrittlicher Deep -Learning -Modelle

Github LLM Repository: https://github.com/lucidrains

5. mit ML gemacht

Hergestellt mit ML ist ein vollst?ndiger Lehrplan, der für den gesamten Lebenszyklus für maschinelles Lernen von Design und Entwicklung bis zur Bereitstellung und überwachung erstellt wurde. Erstellt von Goku Mohandas, hergestellt mit ML, konzentriert sich auf praktische F?higkeiten wie Datenversioning (DVC), kontinuierliche Integrationen, Testen von ML -Pipelines, Servieren von Modellen durch APIs und überwachung von ML -Systemen in der Produktion. Es enth?lt auch Konzepte für verantwortungsbewusste KI und Reproduzierbarkeit. Dies ist ein echter MLOPS -Bootcamp in einer Box, das für Ingenieure, die an Produktionssystemen arbeiten, besonders wertvoll ist.

Am besten für:

• Mlops und KI -Ingenieure, die ein ML -System in der realen Welt einsetzen
• Teams bauen gro? angelegte ML-Infrastruktur
• Lernende, die eine projektorientierte Erfahrung von End-to-End-ML machen wollen

Github Repository für KI-Ingenieure: https://github.com/gokumohandas/made-with-ml

6. Praktische Gro?sprachmodelle

Praxis-on-LLMs ist ein Workflow zum Aufbau und zum Einstellen von gro?sprachigen Modellen. Das Repo erweitert das beliebte O'Reilly-Buch und hat die Interaktivit?t der Benutzer für Notizbücher, die Tokenisierung, Aufmerksamkeit, Transformatorbl?cke, Lappen (Abrufen-Aide-Generation), Einbettungen und Bewertungsmethoden erforschen. Es verwendete umarmende Gesichtstransformatoren und Langchain-Integrationen, um die Grundlage für die Entwicklung realer Anwendungen mit vollst?ndiger Interpretierbarkeit und Modularit?t, realen Anwendungen wie Chatbots, Zusammenfassungen und Dokument-QA-Systemen zu bilden.

Am besten für:

• Ingenieure implementieren LLMs in materielle, reale Anwendungen.
• Entwickler, die Modelle für bestimmte Dom?nenaufgaben fein abteilen.
• Forscher untersuchen schnelle Strategien und Bewertungsmetriken.

AI-basiertes Github-Repository: https://github.com/pinecone-io/handbook-lms

7. Fortgeschrittene Lappentechniken

Dieses Repository enth?lt über 30 Anpassungen der RAG-Methode (Retrieval-Augmented Generation) wie Hyde, Graphrag und komplexere Ans?tze zum Chunking. Die Verwendung unterstützt die F?higkeit, das Experiment mit verschiedenen Einbettungsmodellen, Vektorspeichern, Dokumentenspalten, Neulingen und Leistungsbenchmarking durchzuführen. Die Community kann die Suche nach verschiedenen Methoden durchführen, um die am besten geeigneten Ans?tze für jeden Fall anzuzeigen, indem sie Arten von Dokumenten und Abfragen als Leistungskriterien verwenden und damit die LLM-gesteuerte Suche und die QA-L?sungen optimieren.

Am besten für:

• KI -Ingenieure, die Lappensysteme für die Branche entwerfen und bauen
• Teams, die versuchen, den Wissensabruf schneller zu gestalten und gleichzeitig die Qualit?t intakt zu halten
• Wissenschaftler, die eine vergleichende Untersuchung der Vektorsuche, Hybrid- und Graphans?tze durchführen

Github Repository: https://github.com/nirdiamant/rag_techniques

8. AI -Agenten für Anf?nger

Dieses neue benutzerfreundliche Repo von Microsoft ist eine Einführung für Lernende in AI-Agenten, bei denen es sich um autonome Systeme handelt, die von LLMs betrieben werden und Dinge planen, entscheiden und handeln k?nnen. Das Repo verfügt über 11 Erfahrungslabors-alle verwenden Autogen, Langchain, OpenAI-APIs usw., um Code-Agenten zu codieren, die mehrstufige, mehrstufige Tasks durchführen, Tools aufrufen, nach Wissen suchen und mit anderen Agenten zusammenarbeiten k?nnen. Jedes Labor führt Konzepte in Aktionsplanung, Werkzeugverkettung, Ged?chtnis und sofortigem Engineering auf klare und reproduzierbare Weise ein.

Am besten für:

• Entwickler, die neu in AI -Agenten oder agenten -Workflows
• P?dagogen, die einen praktischen agentenbasierten KI-Lehrplan entwickeln m?chten
• Hacker bauen von Grund auf autonome Taskagenten auf

Github LLM Repository: https://github.com/microsoft/ai-agents

9. Agenten für die Produktion

Agenten für die Produktion sind ein abgerundeter Leitfaden, um KI-Agenten vom Nachweis des Konzepts zur Produktion zu bringen. Wir werden Implementierungsmuster für Orchestrierung, Toolintegration, Fehlerverarbeitung, Wiederholungslogik, Sicherheit, Speicher (Redis, Vektor DBS) und Bereitstellung mit Fastapi und Docker abdecken. Das Interesse an skalierbaren Agentensystemen w?chst, und dieses Repo dient als Vorlage, um zuverl?ssige und skalierbare Agenten -Workflows in die Industrie zu versenden.

Am besten für:

• Entwickler, die KI -Agenten in der Produktion einsetzen
• Teams bauen Full-Stack-Agenteninfrastruktur
• Fachleute, die Langgraph, Openagents oder Autogen verwenden

Github LLM Repository: https://github.com/nirdiamant/agents-towards-production

10. AI Engineering Hub

AI Engineering Hub ist eine gigantische, kuratierte Sammlung von 70 realen Projekten, Tutorials und Vorlagen in LLMs, Lappen und autonomen Agenten. Es ist für Ingenieure konzipiert, die ihre F?higkeiten durch praktische, praktische Erlebnisse vorantreiben m?chten. Jedes Projekt auf der Website hat Schwierigkeiten und Kategorien -Tagging mit Links zu Colab, Referenzen und vorgeschlagenen Anpassungen. Der Hub ist eine digitale Sandbox zum Erlernen jedes KI -Tools, das Sie jemals ausprobieren wollten, bereit für Gabel und Remix.

Am besten für:

• Erstellen eines Portfolios von Genai- und Agenten-basierten Anwendungen
• Praktizieren fortgeschrittener LLM -Workflows modularer Weise
• Experimentieren mit neuen Tools und Frameworks

Github Repository: https://github.com/ashishps1/learn-ai-gineering

Abschluss

Um in AI gut zu werden, k?nnen Sie nicht nur erwarten, dass Sie nur Papiere lesen oder Tutorials befolgen. Sie müssen mit geeigneten Werkzeugen bauen und iterieren. Die von uns besprochenen Github LLM -Repositories sind ein komplettes Paket. Sie k?nnen vom Lernen über maschinelles Lernen über die Interaktion mit diesen KI -Agenten in Echtzeit übergehen. Wenn Sie sich auf Deep Learning, gro?sprachige Modelle (LLMs), Abrufen-Generation (RAG) und/oder Agent Orchestration konzentriert haben, müssen Sie viele starke reale Projekte zum Ausfertigen haben.

Schauen Sie sich sie an, geben Sie den Code, ?ndern Sie die Modelle und erstellen Sie etwas Eigenes. In einem sich schnell bewegenden Bereich wie KI, aktiv = Lernen, und diese Repos sind ein guter Weg, um aktiv zu sein.

H?ufig gestellte Fragen

In A. Github ereignet sich die meisten hochmodernen KI-Arbeiten in der ?ffentlichkeit. Egal, ob Sie lernen, Prototypen oder Debugggen, realer Code von Top-Ingenieuren, die beste Ressource, die Sie finden.

A. überhaupt nicht. Einige sind anf?ngerfreundlich, wie ML-for-Beinners und Ai-for-Beinners. Sie führen Sie durch Konzepte mit Erkl?rungen und übungen, ohne Promotion erforderlich.

A. Ja, überprüfen Sie in den meisten F?llen einfach die Lizenz jedes Repo. Die meisten sind Open-Source unter MIT oder Apache, die für den pers?nlichen und kommerziellen Gebrauch zul?ssig sind.

A. ?ML für Anf?nger“ konzentriert sich haupts?chlich auf Konzepte für maschinelles Lernen wie Regression oder Klassifizierung. "AI für Anf?nger" ist breiter und umfasst NLP, Computer Vision und sogar Ethik in AI.

A. Schauen Sie sich Nn-Zero-to-Hero von Andrej Karpathy an. Es ist eine der praktischsten und klaren Zusammenbrüche darüber, wie Transformatoren und LLMs von Grund auf neu funktionieren.

A. Sie k?nnen das Repo auf Github ?ansehen“, um Benachrichtigungen zu erhalten, oder sie spielen, um es mit einem Lesezeichen zu spielen. Sie k?nnen den Repo -Betreuern auch folgen, wenn Sie sich wirklich für ihre Arbeit interessieren.

Das obige ist der detaillierte Inhalt von10 Github LLM -Repositories Jeder KI -Ingenieur sollte wissen - Analytics Vidhya. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!