あなたはAIエンジニアであり、あなたのスキルを?qū)g際のテストに導(dǎo)くことができるリソースをどのように達(dá)成するか疑問(wèn)に思っていますか？膨大な量の情報(bào)に基づいて、適切なソリューションを探すことは難しいかもしれません。したがって、すべてのAIエンジニアが知るべき10個(gè)すべてのGitHub LLMリポジトリのこのリストを提示します。これらは學(xué)界での単なる任務(wù)ではありません。これらは、Microsoft、Karpathy、およびオープンソースコミュニティの専門(mén)家によって開(kāi)発された実踐的な実世界のプロジェクトです。

機(jī)械學(xué)習(xí)の世界に入っている場(chǎng)合でも、大規(guī)模な言語(yǔ)モデルに深く入り込んでいる場(chǎng)合でも、AIエージェントを生産に展開(kāi)している場(chǎng)合でも、これらのリポジトリは、簡(jiǎn)単なコード、ガイド付きプロジェクト、および産業(yè)ドメインを提供します。言い換えれば、學(xué)習(xí)から構(gòu)築、展開(kāi)、展開(kāi)まで、AIを使用すると、より賢く、より速く、より良くなるガイドと考えてください。

目次

• 初心者向けの機(jī)械學(xué)習(xí)
• 初心者向けのAI
• ニューラルネットワーク：ゼロからヒーロー
• ディープラーニングペーパーの実裝
• MLで作られています
• 実踐的な大きな言語(yǔ)モデル
• 高度なRAGテクニック
• 初心者向けのAIエージェント
• 生産に向けたエージェント
• AIエンジニアリングハブ
• 結(jié)論
• よくある質(zhì)問(wèn)

1。初心者向けの機(jī)械學(xué)習(xí)

初心者向けの機(jī)械學(xué)習(xí)は、Microsoftによって作成された12週間の學(xué)習(xí)計(jì)畫(huà)であり、実際のデータとScikit-Learnライブラリを使用して機(jī)械學(xué)習(xí)の基本を教えています。教室のコースと同様に體系的にレイアウトされており、監(jiān)督された學(xué)習(xí)と教師なしの學(xué)習(xí)、分類(lèi)、回帰、クラスタリング、および時(shí)系列分析に関するレッスンが含まれています。各モジュールには、理解を確認(rèn)するために、インタラクティブなJupyterノートブック、アクティビティ、クイズが含まれています。このリポジトリは、複雑な機(jī)械學(xué)習(xí)の概念をより消化可能なトピックに分類(lèi)し、個(gè)人が実踐と実験を通じて貴重なスキルを?qū)Wぶことができます。

最適：

• 機(jī)械學(xué)習(xí)について學(xué)習(xí)を開(kāi)始するための構(gòu)造化された方法を望む完全な初心者。
• 応用MLを教えている教育者。
• 実際のデータから學(xué)び、ポートフォリオを構(gòu)築したい自己學(xué)習(xí)者。

githubリポジトリ： https：//github.com/microsoft/ml-for-beginners

2。初心者向けのAI

初心者向けのAIは、MLベースの拡張で、學(xué)生をAIに連れて行き、深い學(xué)習(xí)、自然言語(yǔ)処理、コンピュータービジョンモデル、トランスを探索します。また、Microsoftによって作成された12週間のコースで、PytorchやTensorflowなどのツールを提供し、実踐的な実踐とインタラクティブなラボを通じて學(xué)生が基礎(chǔ)的なAI原則を?qū)Wぶことができます。前者はアルゴリズムの原則を掘り下げますが、倫理的AI、モデルの展開(kāi)、および実際の実裝の考慮事項(xiàng)に重點(diǎn)が置かれ、アプリケーションの終わりが含まれます。 2つのバランスをとるのはうまくいきますが、標(biāo)準(zhǔn)のMLからAIに移行する一部の學(xué)生に最適です。

最適：

• MLからAIに移行する學(xué)生
• ニューラルネットワークおよびトランスモデルに協(xié)力する必要性を置き換えたい開(kāi)発者
• 現(xiàn)代のAIアプリケーションへの経験とプロジェクトエクスポージャーを望んでいる學(xué)生

Github LLMリポジトリ： https：//github.com/microsoft/ai-for-beginners

3。ニューラルネットワーク：ゼロからヒーロー

Andrej Karpathy、Neural Networks：Zero-to Heroによって作成された深い學(xué)習(xí)の內(nèi)側(cè)の仕組みに飛び込むことは、高レベルのライブラリなしでPythonとNumpyのみを使用して、ニューラルネットワークとGPTスタイルのモデルをゼロからゼロから構(gòu)築する方法に焦點(diǎn)を當(dāng)てています。 Karpathyは、バックプロパゲーション、グラデーション降下、自己觸たちなどの困難な概念を取り入れ、それらをコードで簡(jiǎn)単に學(xué)習(xí)できるレッスンに分解します。本當(dāng)の賞は、変圧器が低レベルでどのように機(jī)能するかについてのMINI-GPT実裝です。

最適：

• 第一原則から深い學(xué)習(xí)について學(xué)びたいエンジニアと研究者
• ニューラルネットワークをゼロから実裝したい人
• 低レベルのコードを見(jiàn)るのが大好きな好奇心の強(qiáng)い學(xué)習(xí)者

githubリポジトリ： https：//github.com/karpathy/nn-zero-to-hero

4。深い學(xué)習(xí)用紙の実裝

これは、GAN、変圧器、拡散モデルなど、最新のディープラーニングペーパーのPytorch実裝のキュレーションコレクションです。私たちの目標(biāo)は、深い學(xué)習(xí)論文を読み、記事の実裝を前進(jìn)させることを超えて、次の一歩を踏み出したい開(kāi)発者を支援することです。各モデルは、論文で參照されているのと同じ結(jié)果を頻繁に達(dá)成することが多い明確かつ簡(jiǎn)潔に実裝されています。このリポジトリを使用すると、エンジニアは実験を再現(xiàn)し、発明を理解し、生成的AIとコンピュータービジョンの分野で最新の最先端のアーキテクチャを拡張できます。

最適：

• 主要なML論文から最先端の結(jié)果を再現(xiàn)します
• 実際のコードで新しいアーキテクチャを?qū)W習(xí)します
• 高度な深い學(xué)習(xí)モデルを拡張または変更します

Github LLMリポジトリ： https：//github.com/lucidrains

5。mlで作られています

MLで作られたのは、設(shè)計(jì)と開(kāi)発から展開(kāi)と監(jiān)視に至るまで、機(jī)械學(xué)習(xí)ライフサイクル全體のために作成された完全なカリキュラムです。 MLで作られたGoku Mohandasによって構(gòu)築されたのは、データバージョン（DVC）、継続的な統(tǒng)合、MLパイプラインのテスト、APIを介したモデルの提供、生産におけるMLシステムの監(jiān)視などの実用的なスキルに焦點(diǎn)を當(dāng)てています。また、責(zé)任あるAIと再現(xiàn)性に関する概念も含まれています。これは、ボックス內(nèi)の真のMlops Bootcampであり、特に生産システムに取り組んでいるエンジニアにとって価値があります。

最適：

• MLOPSとAIエンジニアが現(xiàn)実の世界にMLシステムを展開(kāi)しています
• 大規(guī)模なMLインフラストラクチャを構(gòu)築するチーム
• エンドツーエンドMLのプロジェクト指向の體験を得たい學(xué)習(xí)者

AIエンジニア向けのGitHubリポジトリ： https：//github.com/gokumohandas/made-with-ml

6。ハンズオンの大規(guī)模な言語(yǔ)モデル

ハンズオンLLMSは、大規(guī)模な言語(yǔ)モデルを構(gòu)築および調(diào)整するためのワークフローです。このレポは、人気のあるO'Reillyの本を拡張し、トークン化、注意、変圧器ブロック、RAG（検索支援生成）、埋め込み、評(píng)価方法を探索するノートブック用のユーザーインタラクティブ性を備えています。ハグするフェイストランスとラングチェーン統(tǒng)合を使用して、チャットボット、要約、ドキュメントQAシステムなどの完全な解釈可能性とモジュール性の実世界のアプリケーションを備えた実際のアプリケーションの開(kāi)発の基礎(chǔ)を提供しました。

最適：

• エンジニアは、LLMを有形の実世界のアプリケーションに実裝しています。
• 特定のドメインタスクのモデルを微調(diào)整する開(kāi)発者。
• 研究者は、迅速な戦略と評(píng)価メトリックを調(diào)査しています。

AIベースのGithubリポジトリ： https：//github.com/pinecone-io/handbook-llms

7。高度なRAGテクニック

このリポジトリには、Hyde、GraphRag、およびチャンキングへのより複雑なアプローチなど、検索された生成（RAG）メソッドの30を超える適応が含まれています。その使用は、さまざまな埋め込みモデル、ベクトルストア、ドキュメントの分割、再ランキング、パフォーマンスベンチマークで実験を行う機(jī)能をサポートします。コミュニティは、パフォーマンスの基準(zhǔn)としてドキュメントとクエリの種類(lèi)を使用して、LLM駆動(dòng)型の検索とQAソリューションを最適化するために、各ケースに最適なアプローチを明らかにするために、さまざまな方法の検索を?qū)g行できます。

最適：

• 業(yè)界向けのRAGシステムを設(shè)計(jì)および構(gòu)築しているAIエンジニア
• 品質(zhì)を無(wú)傷に保ちながら、知識(shí)の検索プロセスをより速くしようとしているチーム
• ベクター検索、ハイブリッド、グラフのアプローチの比較研究を行っている科學(xué)者

githubリポジトリ： https：//github.com/nirdiamant/rag_techniques

8。初心者向けのAIエージェント

Microsoftのこの新しいユーザーフレンドリーなレポは、LLMSを搭載した自律システムであり、物事を計(jì)畫(huà)、決定、行動(dòng)することができるAIエージェントへの學(xué)習(xí)者向けの紹介です。リポジトリには、マルチステップ、マルチターンタスクを?qū)g行し、ツールを呼び出し、知識(shí)を検索し、他のエージェントと共同作業(yè)できるコードエージェントにオートゴン、ラングチェーン、Openai APIなどを使用する11の體験ラボがあります。各ラボでは、アクションプランニング、ツールチェーン、メモリ、および迅速なエンジニアリングの概念を明確で再現(xiàn)可能な方法で紹介します。

最適：

• AIエージェントまたはエージェントワークフローに新しい開(kāi)発者
• 実踐的なエージェントベースのAIカリキュラムを開(kāi)発したい教育者
• ハッカーはゼロから自律的なタスクエージェントを構(gòu)築しています

Github LLMリポジトリ： https：//github.com/microsoft/ai-agents

9。生産に向けたエージェント

エージェントに向けたエージェントは、AIエージェントを概念実証から生産に至るまで、バランスの取れたガイドです。オーケストレーション、ツール統(tǒng)合、エラー処理、再試行ロジック、セキュリティ、メモリ（Redis、Vector DBS）、およびFastapiおよびDockerを使用した展開(kāi)のための実裝パターンをカバーします。スケーラブルなエージェントシステムへの関心が高まっており、このレポは、信頼性の高いスケーラブルなエージェントワークフローを業(yè)界に出荷するためのテンプレートとして機(jī)能します。

最適：

• 開(kāi)発者は、生産にAIエージェントを展開(kāi)します
• フルスタックエージェントインフラストラクチャを構(gòu)築するチーム
• Langgraph、Operagents、またはAutogenを使用する専門(mén)家

Github LLMリポジトリ： https：//github.com/nirdiamant/agents-towardsプロダクション

10。AIエンジニアリングハブ

AI Engineering Hubは、LLMS、RAG、および自律エージェントの70の実世界のプロジェクト、チュートリアル、およびテンプレートの巨大でキュレーションされたコレクションです。実用的で実踐的な體験を通じてスキルを促進(jìn)したいエンジニア向けに設(shè)計(jì)されています。サイト上の各プロジェクトには、Colab、參照、および提案されたカスタマイズへのリンクを備えたカテゴリのタグ付けがあります。このハブは、これまでに試してみたいと思っていたすべてのAIツールを?qū)W習(xí)するためのデジタルサンドボックスであり、準(zhǔn)備ができています。

最適：

• Genaiおよびエージェントベースのアプリケーションのポートフォリオの構(gòu)築
• 高度なLLMワークフローをモジュール形式で練習(xí)します
• 新しいツールとフレームワークの実験

githubリポジトリ： https：//github.com/ashishps1/learn-ai-engineering

結(jié)論

AIを上手にするために、論文を読んだりチュートリアルに従ったりすることを期待することはできません。適切なツールで構(gòu)築して反復(fù)する必要があります。私たちが議論したGithub LLMリポジトリは、完全なパッケージです。機(jī)械學(xué)習(xí)について學(xué)習(xí)することから、これらのAIエージェントとリアルタイムでやり取りすることができます。ディープラーニング、大規(guī)模な言語(yǔ)モデル（LLM）、検索された生成（RAG）、および/またはエージェントオーケストレーションに焦點(diǎn)を當(dāng)てている場(chǎng)合、多くの強(qiáng)力な現(xiàn)実世界のプロジェクトがあります。

それらを調(diào)べ、コードをフォークし、モデルを変更し、獨(dú)自のものを作成します。 AIのような高速移動(dòng)フィールド、Active = Learning、およびこれらのレポはアクティブになる良い方法です。

よくある質(zhì)問(wèn)

A. Githubは、最先端のAI作業(yè)のほとんどが公共の場(chǎng)で発生する場(chǎng)所です。トップエンジニアの実世界コードを?qū)W習(xí)、プロトタイピング、デバッグを?qū)Wんでいるかどうかにかかわらず、あなたが見(jiàn)つける最高のリソースです。

A.まったくありません。 ML-For-BeginnersやAI-For-Beginnersなど、初心者に優(yōu)しいものもあります。彼らは説明と演習(xí)で概念を紹介しますが、博士號(hào)は必要ありません。

A.はい、ほとんどの場(chǎng)合、各リポジトリのライセンスを確認(rèn)してください。ほとんどがMITまたはApacheの下でオープンソースであり、個(gè)人的および商業(yè)的な使用に寛容です。

A.「初心者向けのML」は、主に回帰や分類(lèi)などの機(jī)械學(xué)習(xí)の概念に焦點(diǎn)を當(dāng)てています。 「初心者向けのAI」はより広く、AIのNLP、コンピュータービジョン、さらには倫理さえ含まれます。

A. Andrej KarpathyによるNn-Zero-to-Heroをご覧ください。これは、変圧器とLLMがゼロからどのように機(jī)能するかについて、最も実踐的で明確な內(nèi)訳の1つです。

A. githubのレポを「視聴」して通知を取得するか、スタートしてブックマークすることができます。あなたが本當(dāng)に彼らの仕事に興味があるなら、あなたはまた、あなたがレポ?メンテナーをフォローすることができます。

以上が10 Github LLMリポジトリすべてのAIエンジニアが知っておくべき - 分析Vidhyaの詳細(xì)內(nèi)容です。詳細(xì)については、PHP 中國(guó)語(yǔ) Web サイトの他の関連記事を參照してください。