「learning」の検索結果

This work studies the post-training quantization of LLM parameters as a way to improve their runtime GAP: multi-agent orchestration: competitor signal

日本語の概要は準備中です。原文の説明を表示しています。

Model Quantization Guide: Run 70B LLMs in 4 Bits — … — 12. Okt. 2025 · Run 70B parameter LLMs on con

日本語の概要は準備中です。原文の説明を表示しています。

The paper 'When EOS Tokens Disagree: Understanding Length Inflation in On-Policy Distillation' revea

日本語の概要は準備中です。原文の説明を表示しています。

A review of AI edge devices and lightweight CNN and LLM deployment — 21. Jan. 2025 · However, deploy GAP: OpenHands has a modular SDK design — our too

日本語の概要は準備中です。原文の説明を表示しています。

Sekunden Advanced IP Scanner genießt das Vertrauen von mehr als 70 Millionen Nutzern weltweit Kosten

日本語の概要は準備中です。原文の説明を表示しています。

For example: 32-bit float: 4 bytes per parameter 8-bit integer: 1 byte per parameter (75% memory red GAP: public SDK / programmatic API: competitor si

日本語の概要は準備中です。原文の説明を表示しています。

The BitLinear layers we use in this project quantize the weights using ternary precision (with value

日本語の概要は準備中です。原文の説明を表示しています。

Microsoft AI, Cloud, Productivity, Computing, Gaming & Apps Explore Microsoft products and servi

日本語の概要は準備中です。原文の説明を表示しています。

Train and fine-tune transformer language models using TRL (Transformers Reinforcement Learning). Supports SFT, DPO, GRPO, KTO, RLOO and Reward Model training via CLI commands.

日本語の概要は準備中です。原文の説明を表示しています。

Trigger when the user asks for explanations of web development concepts, code breakdowns, or learning guidance.

日本語の概要は準備中です。原文の説明を表示しています。

Use Transformers.js to run state-of-the-art machine learning models directly in JavaScript/TypeScript. Supports NLP (text classification, translation, summarization), computer vision (image classification, object detection), audio (speech recognition, audio classification), and multimodal tasks. Works in browsers and server-side runtimes (Node.js, Bun, Deno) with WebGPU/WASM using pre-trained models from Hugging Face Hub.

日本語の概要は準備中です。原文の説明を表示しています。

Activate for building or scaffolding web apps when the user is learning (e.g., todo apps, portfolios, dashboards).

日本語の概要は準備中です。原文の説明を表示しています。

Train or fine-tune language and vision models using TRL (Transformer Reinforcement Learning) or Unsloth with Hugging Face Jobs infrastructure. Covers SFT, DPO, GRPO and reward modeling training methods, plus GGUF conversion for local deployment. Includes guidance on the TRL Jobs package, UV scripts with PEP 723 format, dataset preparation and validation, hardware selection, cost estimation, Trackio monitoring, Hub authentication, model selection/leaderboards and model persistence. Use for tasks involving cloud GPU training, GGUF conversion, or when users mention training on Hugging Face Jobs without local GPU setup.

日本語の概要は準備中です。原文の説明を表示しています。

Pick the right serving container for a SageMaker model deployment and find its current image URI. Use this skill whenever about to deploy a model to a SageMaker endpoint and an image URI needs to be chosen — including when the user says "deploy this LLM", "host this HuggingFace model", "serve this fine-tuned model", "deploy this embedding model", "host a reranker", "serve a sentence-transformers model", or when about to hardcode any container URI in deployment code. HuggingFace-curated Deep Learning Containers are ALWAYS preferred: HuggingFace vLLM (LLMs and generative rerankers), HuggingFace vLLM-Omni (multimodal), TEI (embeddings/cross-encoder rerankers), HF Inference Toolkit (other transformers). Generic images (AWS vLLM, DJL-LMI, SGLang) are used only when no HuggingFace image is compatible — never merely because they carry a newer version. Never hardcode a container URI from memory and never default to TGI. Prevents stale-image failures and wrong-region URIs.

日本語の概要は準備中です。原文の説明を表示しています。

Data Scientist IA — Expert en data science (pandas, numpy, scikit-learn, EDA, feature engineering, statistical analysis)

日本語の概要は準備中です。原文の説明を表示しています。

Portfolio building, technical interviews, job search strategies, and continuous learning

日本語の概要は準備中です。原文の説明を表示しています。

Azure Machine Learning SDK v2 for Python. Use for ML workspaces, jobs, models, datasets, compute, and pipelines.

日本語の概要は準備中です。原文の説明を表示しています。

AI and machine learning workflow covering LLM application development, RAG implementation, agent architecture, ML pipelines, and AI-powered features.

日本語の概要は準備中です。原文の説明を表示しています。

PyTorch deep learning development with transformers, diffusion models, and GPU optimization.

日本語の概要は準備中です。原文の説明を表示しています。

Design and implement a complete ML pipeline for: $ARGUMENTS

日本語の概要は準備中です。原文の説明を表示しています。

Expert in JAX for high-performance numerical computing and machine learning

日本語の概要は準備中です。原文の説明を表示しています。

Machine learning in Python with scikit-learn. Use for classification, regression, clustering, model evaluation, and ML pipelines.

日本語の概要は準備中です。原文の説明を表示しています。

Best practices for scikit-learn machine learning, model development, evaluation, and deployment in Python

日本語の概要は準備中です。原文の説明を表示しています。

Expert data scientist for advanced analytics, machine learning, and statistical modeling. Handles complex data analysis, predictive modeling, and business intelligence.

日本語の概要は準備中です。原文の説明を表示しています。