Feb, 2024

YAMLE：又一个机器学习环境

PDF
TL;DRYet Another Machine Learning Environment (YAMLE) is an open-source framework that aims to reduce repetitive work in implementing new machine learning approaches, improve reproducibility, and provide a shared ecosystem for researchers and practitioners to build on and compare existing implementations.
发现论文，激发创造
  • 非专家自动学习系统的实现

    该论文详细介绍了自动化机器学习系统 - YMIR 的开发和实现，通过图形界面与用户交互，使非 AI 专业人士可以轻松地进行数据标记、模型训练、数据挖掘和模型评估。该系统的特点包括：使用 docker 容器进行模型训练和推断；任务和资源管理；标签软件集成；以及使用重建的协作开发范式实现 HCI（人机交互）。此外，该论文还提供了使用该系统训练模型的案例研究。

    Mar, 2022

  • Lale: 一致自动化机器学习

    Lale 是一个高级 Python 接口库，它简化和统一自动机器学习工具，包括搜索超参数、算法和管道拓扑结构等，并解决了自动化工具的不一致语法和高级功能支持问题。

    Jul, 2020

  • Julearn: 机器学习模型的无泄漏评估和检查的易用库

    机器学习在神经科学中的应用是一个具有挑战性的领域，本文介绍了 julearn 这一开源 Python 库，用于设计和评估复杂的机器学习流程，以简化研究项目中常见的陷阱。

    Oct, 2023

  • YAYI 2：多语种开源大型语言模型

    我们提出了 YAYI 2，这是一个具有 300 亿参数的基础模型和聊天模型的多语言模型，通过多个基准测试表明比其他类似规模的开源模型表现更好。

    Dec, 2023

  • LLMeBench：一款加速 LLM 基准测试的灵活框架

    近期大型语言模型（LLMs）的发展和成功需要对其在不同语言的各种 NLP 任务中的性能进行评估。本研究介绍了 LLMeBench 框架，该框架最初是为了使用 OpenAI 的 GPT 和 BLOOM 模型评估阿拉伯语 NLP 任务而开发的，但它可以轻松地定制任何 NLP 任务和模型，无论语言如何。该框架还具有零样本学习和少样本学习的设置。用户可以在不到 10 分钟的时间内添加新的自定义数据集，并使用自己的模型 API 密钥评估所需的任务。该框架已经在 31 个独特的 NLP 任务中进行了测试，涉及 53 个公开可用的数据集和大约 296K 个数据点的 90 个实验设置。我们计划将该框架开源给社区。在线上有演示视频供观看。

    Aug, 2023

  • Pylearn2: 一个机器学习研究库

    Pylearn2 是一种灵活易用的机器学习研究库，旨在支持包括新型或不寻常用例在内的各种研究项目，并具备先进的分析算法和架构。

    Aug, 2013

  • 气象和气候建模机器学习基准测试

    ClimateLearn 是第一个大规模的开源项目，旨在将气象和气候模型与现代机器学习系统进行连接，它能够大大简化机器学习模型的训练和评估，并包括综合流程，实现深度学习模型和定量和定性评估。

    Jul, 2023

  • CMULAB：一个用于训练和部署自然语言处理模型的开源框架

    使用自然语言处理工具需了解语言本身、熟悉最新模型和训练方法，并具备部署这些模型的技术能力。本文介绍了 CMU 语言注释后端，一个开源框架，简化了模型部署和连续的人机交互微调过程，使语言社区成员和语言学家能够使用自然语言处理工具。CMULAB 可以让用户快速适应和扩展现有的语音识别、OCR、翻译和句法分析工具，即使训练数据有限。我们描述了目前可用的各种工具和 API，以及开发人员如何轻松地将新模型 / 功能添加到该框架中。

    Apr, 2024

  • OpenML-Python: 一个可扩展的 Python API 用于 OpenML

    OpenML-Python 是一个开发用于机器学习的 Python 平台，允许用户在 OpenML 上分享、访问和重现机器学习的数据集、任务和实验，并提供了整合其他 Python 机器学习库的插件机制。

    Nov, 2019

  • MLExchange：一个基于 Web 的平台，为科学研究提供可交换的机器学习工作流程

    MLExchange 项目旨在通过构建协作平台来帮助不具备深度机器学习背景的科学家和实验用户使用机器学习和计算资源，旨在为科学领域中不同领域和机构的科学社区解决大规模和多样化的数据问题。

    Aug, 2022