Home Progetti DL4Proteins-notebooks
DL4Proteins-notebooks
Jupyter Notebook

DL4Proteins-notebooks

Colab Notebooks che coprono strumenti di deep learning per la previsione e progettazione della struttura biomolecolare.

di Graylab · GitHub
Stelle
Fork
Licenza
Creato
Ultimo commit
convolutional-neural-networksdeep-learningdiffusion-modelsMITJupyter Notebook
Visualizza su GitHub
In parole semplici

Esplora tecniche di deep learning per prevedere e progettare strutture proteiche attraverso notebook interattivi.

Mantieni questo progetto?

Rivendica la sua pagina: indicizzata qualunque sia il rango, tradotta in sei lingue e arricchita con le tue parole.

Rivendica questa pagina →
DL4Proteins-notebooks — GitHub preview card
📈 Storia delle stelle
704703
2026-07-202026-08-31
📈 Segui DL4Proteins-notebooks

Ricevi un avviso via email alla prossima release o quando decolla — non perderti nulla.

Gratis · senza carta · disdici quando vuoi
Ricevi avvisi via email →
📄 Informazioni

Colab Notebooks che coprono strumenti di deep learning per la previsione e progettazione della struttura biomolecolare.

DL4Proteins-notebooks ha 703 stelle su GitHub. È stato forkato 121 volte. DL4Proteins-notebooks è scritto principalmente in Jupyter Notebook. È in sviluppo attivo dal 2024. DL4Proteins-notebooks è disponibile con licenza MIT. I suoi temi principali sono: convolutional-neural-networks, deep-learning, diffusion-models, graph-neural-networks.

Frequently asked questions

Che cos'è DL4Proteins-notebooks?

Colab Notebooks che coprono strumenti di deep learning per la previsione e progettazione della struttura biomolecolare.

DL4Proteins-notebooks è open source?

DL4Proteins-notebooks è un progetto open source. È rilasciato con licenza MIT.

DL4Proteins-notebooks è gratuito?

Sì. DL4Proteins-notebooks è gratuito e open source: puoi usarlo, modificarlo e ospitarlo autonomamente.

Con quale licenza è DL4Proteins-notebooks?

DL4Proteins-notebooks è disponibile con licenza MIT.

In quale linguaggio è scritto DL4Proteins-notebooks?

DL4Proteins-notebooks è scritto principalmente in Jupyter Notebook.

🏅 Manutentore di questo progetto?
olud.ai badge — DL4Proteins-notebooks

Aggiungi questo badge live al tuo README — le tue stelle GitHub e il ranking della directory, aggiornati quotidianamente.

[![olud.ai](https://olud.ai/badge.php?tool=graylab-dl4proteins-notebooks)](https://olud.ai/project/graylab-dl4proteins-notebooks.html)
Altre opzioni di badge →
🧬 Condivide il DNA con🧬 Vedi la mappa del DNA →
dgl
Pacchetto Python progettato per semplificare il deep learning su grafi, sopra i framework DL es…
14.3k · deep-learning
condividegraph-neural-networks
graph4nlp
Graph4nlp è la libreria per l'uso facile delle Reti Neurali Grafiche per NLP. Benvenuto nel nos…
1.7k · deep-learning
condividegraph-neural-networks
awesome-semi-supervised-learning
😎 Un elenco aggiornato e curato di articoli, metodi e risorse fantastiche di apprendimento semi…
1.9k · computer-vision
condividegraph-neural-networks
ktrain
ktrain è una libreria Python che rende il deep learning e l'IA più accessibili e facili da appl…
1.3k · computer-vision
condividegraph-neural-networks
PixelLib
Visita la documentazione ufficiale di PixelLib https://pixellib.readthedocs.io/en/latest/
1.1k · artificial-intelligence
condivideconvolutional-neural-networks
GlueStick
Joint Deep Matcher per punti e linee 🖼️💥🖼️ (ICCV 2023)
674 · computer-vision
condividegraph-neural-networks
quiver
Visualizzazione interattiva delle caratteristiche del convnet per Keras
1.8k · convolutional-neural-networks
condivideconvolutional-neural-networks
torchdrug
Una piattaforma di machine learning potente e flessibile per la scoperta di farmaci
1.6k · deep-learning
condividegraph-neural-networks
self-driving-car
Progetti del Nanodegree di Udacity per ingegneri di auto a guida autonoma.
2.9k · computer-vision
condivideconvolutional-neural-networks
geospatial-machine-learning
Un elenco curato di risorse focalizzate sul Machine Learning nella scienza dei dati geospaziali…
703 · classification
condivideconvolutional-neural-networks

Misurato dai topic GitHub comuni a entrambi i progetti, ponderati per la loro rarita.