Startseite Projekte DL4Proteins-notebooks
DL4Proteins-notebooks
Jupyter Notebook

DL4Proteins-notebooks

Colab-Notebooks, die Deep-Learning-Tools für die Vorhersage und das Design biomolekularer Strukturen abdecken

von Graylab · GitHub
Sterne
Forks
Lizenz
Erstellt
Letzter Commit
convolutional-neural-networksdeep-learningdiffusion-modelsMITJupyter Notebook
Auf GitHub ansehen
In einfachen Worten

Erforschen Sie Techniken des tiefen Lernens zur Vorhersage und Gestaltung von Proteinstrukturen durch interaktive Notizbücher.

Betreuen Sie dieses Projekt?

Beanspruchen Sie die Seite: indexiert unabhangig vom Rang, in sechs Sprachen ubersetzt und mit Ihren eigenen Worten erganzt.

Diese Seite beanspruchen →
DL4Proteins-notebooks — GitHub preview card
📈 Sternhistorie
704703
2026-07-202026-08-31
📈 DL4Proteins-notebooks verfolgen

Erhalten Sie eine E-Mail-Benachrichtigung beim nächsten Release oder wenn es durchstartet.

Kostenlos · ohne Karte · jederzeit abbestellbar
E-Mail-Alerts erhalten →
📄 Über

Colab-Notebooks, die Deep-Learning-Tools für die Vorhersage und das Design biomolekularer Strukturen abdecken

DL4Proteins-notebooks hat 703 Sterne auf GitHub. Es wurde 121-mal geforkt. DL4Proteins-notebooks ist hauptsächlich in Jupyter Notebook geschrieben. Es wird seit 2024 aktiv entwickelt. DL4Proteins-notebooks ist unter der MIT-Lizenz verfügbar. Die Hauptthemen sind: convolutional-neural-networks, deep-learning, diffusion-models, graph-neural-networks.

Frequently asked questions

Was ist DL4Proteins-notebooks?

Colab-Notebooks, die Deep-Learning-Tools für die Vorhersage und das Design biomolekularer Strukturen abdecken

Ist DL4Proteins-notebooks Open Source?

DL4Proteins-notebooks ist ein Open-Source-Projekt. Es wird unter der MIT-Lizenz veröffentlicht.

Ist DL4Proteins-notebooks kostenlos?

Ja. DL4Proteins-notebooks ist kostenlos und Open Source — Sie können es nutzen, anpassen und selbst hosten.

Unter welcher Lizenz steht DL4Proteins-notebooks?

DL4Proteins-notebooks ist unter der MIT-Lizenz verfügbar.

In welcher Sprache ist DL4Proteins-notebooks geschrieben?

DL4Proteins-notebooks ist hauptsächlich in Jupyter Notebook geschrieben.

🏅 Wartender dieses Projekts?
olud.ai badge — DL4Proteins-notebooks

Fügen Sie dieses Live-Abzeichen zu Ihrem README hinzu — Ihre GitHub-Sterne und Verzeichnisrang, täglich aktualisiert.

[![olud.ai](https://olud.ai/badge.php?tool=graylab-dl4proteins-notebooks)](https://olud.ai/project/graylab-dl4proteins-notebooks.html)
Weitere Abzeichenoptionen →
🧬 Teilt DNA mit🧬 DNA-Karte ansehen →
dgl
Python-Paket, das das Deep Learning auf Graphen erleichtert, basierend auf bestehenden DL-Frame…
14.3k · deep-learning
teiltgraph-neural-networks
graph4nlp
Graph4nlp ist die Bibliothek für die einfache Nutzung von Graph Neural Networks für NLP. Besuch…
1.7k · deep-learning
teiltgraph-neural-networks
awesome-semi-supervised-learning
😎 Eine aktuelle & kuratierte Liste großartiger semi-überwachter Lernpapiere, Methoden & Ressour…
1.9k · computer-vision
teiltgraph-neural-networks
ktrain
ktrain ist eine Python-Bibliothek, die Deep Learning und KI zugänglicher und einfacher anwendba…
1.3k · computer-vision
teiltgraph-neural-networks
PixelLib
Besuchen Sie die offizielle Dokumentation von PixelLib https://pixellib.readthedocs.io/en/lates…
1.1k · artificial-intelligence
teiltconvolutional-neural-networks
GlueStick
Joint Deep Matcher für Punkte und Linien 🖼️💥🖼️ (ICCV 2023)
674 · computer-vision
teiltgraph-neural-networks
quiver
Interaktive ConvNet-Funktionenvisualisierung für Keras
1.8k · convolutional-neural-networks
teiltconvolutional-neural-networks
torchdrug
Eine leistungsstarke und flexible Plattform für maschinelles Lernen zur Arzneimittelentdeckung.
1.6k · deep-learning
teiltgraph-neural-networks
self-driving-car
Udacity Nanodegree-Projekte für selbstfahrende Autos.
2.9k · computer-vision
teiltconvolutional-neural-networks
geospatial-machine-learning
Eine kuratierte Liste von Ressourcen, die sich auf Machine Learning in der Geodatenwissenschaft…
703 · classification
teiltconvolutional-neural-networks

Ermittelt aus gemeinsamen GitHub-Topics beider Projekte, gewichtet nach ihrer Seltenheit.