Awesome GitHub RepositoriesClassification

This repository is a comprehensive collection of data structures and algorithms implemented in JavaScript, designed primarily as an educational resource for computer science study and technical interview preparation. It provides modular implementations of fundamental programming concepts, allowing developers to explore algorithmic logic and data organization through self-contained, verifiable code examples. The library distinguishes itself by pairing every implementation with formal Big O notation, providing predictable insights into time and space scaling requirements. Each algorithm is stru

Fairseq is a PyTorch toolkit for sequence-to-sequence modeling, specializing in neural machine translation, automatic speech recognition, and large-scale language model training. It provides a framework for processing and aligning diverse data sources, including text, audio, and video, to support tasks such as speech-to-text conversion and multimodal sequence learning. The project is distinguished by its distributed training capabilities, which utilize parameter sharding, mixed-precision training, and CPU offloading to handle models that exceed single-device memory. It also includes specializ

This project is a comprehensive, curated knowledge base designed to support the development and maintenance of production-grade machine learning systems. It serves as a centralized repository of industry-standard technical literature, engineering case studies, and research papers, providing a structured reference for practitioners navigating the complexities of modern data science and machine learning engineering. The resource distinguishes itself through a cross-domain approach that bridges the gap between academic research and practical implementation. By synthesizing proven industry archit

This project is a comprehensive collection of common computer science algorithms and data structures implemented in Swift. It serves as an educational reference and library for studying computational complexity, algorithmic logic, and data structure engineering through practical code examples. The repository provides a wide suite of data structure implementations, including various types of linked lists, heaps, hash tables, and an extensive range of hierarchical trees such as Red-Black, B-Tree, and Splay trees. It also covers diverse sorting and searching techniques, from basic bubble sort to

This project provides a collection of machine learning algorithms implemented from scratch in Python. It serves as an educational resource using interactive notebooks that combine code with mathematical explanations to demonstrate the first principles of data science. The repository includes reference implementations for neural networks, such as multilayer perceptrons with backpropagation, and supervised learning models including linear and logistic regression. It also covers unsupervised learning through k-means clustering and Gaussian anomaly detection. The codebase covers a broad range of

FaceNet is a facial recognition framework designed to transform facial images into high-dimensional numerical embeddings for identity verification and recognition. It provides a deep learning face embedder that maps facial features into a Euclidean space where distance corresponds to facial similarity. The system includes tools for both supervised and unsupervised identity management. It features a face identity classifier for categorizing images into known identity classes and an unsupervised clustering tool to group similar facial embeddings together without predefined labels. The framewor

This is a PyTorch semantic segmentation library designed for building image masking frameworks. It provides a collection of over 500 pretrained convolutional and transformer-based encoders and various decoder architectures to perform binary and multiclass pixel-level classification. The library features a modular backbone integration that decouples encoder choice from decoder logic. It supports custom input channel configurations and encoder depth tuning, allowing the modification of input layers to accept non-standard channel counts while preserving pretrained weights. Some configurations al

Vowpal Wabbit is an open-source machine learning system designed for online learning, where models update incrementally from streaming data without requiring full retraining. It provides a reduction-based learning framework that composes complex tasks from simpler algorithms, and includes a feature hashing trick that maps unbounded feature names into a fixed-size vector space to keep memory usage constant regardless of dataset size. The system supports distributed training across a cluster using an allreduce protocol for synchronized updates, and offers an active learning query strategy that s

This repository is a collection of implementation references and solved notebooks covering supervised, unsupervised, and reinforcement learning techniques. It provides practical guides for building predictive models, clustering algorithms, and autonomous agents. The project includes specific implementations for neural network architectures, such as multi-layer perceptrons for digit recognition, and recommender systems using collaborative and content-based filtering. It also features reinforcement learning systems that utilize deep Q-learning to optimize decision-making policies. The codebase

هذا المشروع عبارة عن مكتبة آلات ناقلات الدعم (SVM) تم تنفيذها بلغة C، وتوفر محركاً لمهام التصنيف والانحدار. تعمل كمكتبة نواة لتعلم الآلة ومصحح نماذج إحصائية يُستخدم لتصنيف نقاط البيانات والتنبؤ بالقيم الرقمية المستمرة. تسمح المكتبة بتعريف وظائف نواة مخصصة لحساب التشابه بين نقاط البيانات في مجموعات بيانات متخصصة. كما تتضمن أدوات للنمذجة الاحتمالية، مثل تقدير عضوية الفئة، وكثافة البيانات، وحدود التوزيع. تغطي القدرات الواسعة تدريب النماذج لمجموعات البيانات متعددة الفئات، بما في ذلك إدارة البيانات غير المتوازنة من خلال وظائف الخسارة المرجحة. يوفر النظام سير عمل لاختيار المعلمات الفائقة وتحسين النموذج باستخدام خطوط دقة الكنتور والتحقق المتبادل الطبقي. تتضمن أدوات معالجة البيانات المسبقة للتحقق من المدخلات وتحجيم السمات لتطبيع مقادير الميزات.

هذا المشروع عبارة عن مجموعة من أمثلة تعلم الآلة TensorFlow التي توفر تطبيقات مرجعية لنماذج شبكة عصبية مختلفة. يغطي نماذج التعلم الخاضع للإشراف، وغير الخاضع للإشراف، والتعزيزي، والمتسلسل. يتضمن المستودع تطبيقات للشبكات العصبية التلافيفية التي تركز على تصنيف الصور وترتيبها، بالإضافة إلى الشبكات العصبية المتكررة للتنبؤ بالسلاسل الزمنية والترجمة من تسلسل إلى تسلسل. كما يوفر أمثلة لوكلاء التعلم التعزيزي المدربين عبر تحسين المكافأة وتقنيات التعلم غير الخاضع للإشراف مثل أجهزة التشفير التلقائي والخرائط ذاتية التنظيم لتجميع البيانات. تغطي القدرات الإضافية الانحدار والتصنيف الخاضع للإشراف، وتوليد التضمين الدلالي، واستخدام نماذج ماركوف المخفية لنمذجة البيانات المتسلسلة. يتضمن المشروع أيضاً أدوات لإدارة عمليات الموتر وتصور أداء النموذج عبر لوحات المعلومات. يتم تقديم المحتوى كسلسلة من دفاتر Jupyter.

This project is a collection of structured study notes and notebooks serving as an educational resource for deep learning and neural network fundamentals. It provides a technical reference for implementing machine learning theory, covering everything from basic network design to the construction of advanced architectures. The material specifically focuses on the implementation of convolutional neural networks for computer vision and sequence models for natural language processing. It includes detailed guidance on building object detection systems, face recognition, and speech transcription mo

يعمل هذا المشروع كمورد تعليمي وعملي لإتقان سير عمل تعلم الآلة باستخدام Python. يوفر مجموعة شاملة من أمثلة الكود والتمارين المصممة لتوجيه المستخدمين خلال تنفيذ الأنظمة التنبؤية، بدءاً من الخوارزميات الأساسية وصولاً إلى بنيات التعلم العميق. يتميز المستودع بتقديم نهج منظم لكل من تعلم الآلة الكلاسيكي وتدريب الشبكات العصبية. يغطي دورة حياة تطوير النموذج بأكملها، بما في ذلك تنسيق خطوط أنابيب تحويل البيانات القابلة لإعادة الاستخدام، واستراتيجيات التجميع المتقدمة مثل التكديس والتدريب المتسلسل، وتقنيات التعامل مع مجموعات البيانات واسعة النطاق من خلال المعالجة التزايدية. تشمل المواد سطح قدرة واسع، بما في ذلك التصنيف، والانحدار، والتجميع، وتقليل الأبعاد. يوفر أدوات لتقييم النموذج الصارم، مثل تحليل الأخطاء ومقاييس الأداء، إلى جانب تقنيات التحسين مثل ضبط المعلمات الفائقة، والتنظيم، وضوابط التدريب المؤتمتة لضمان موثوقية النموذج وتعميمه. تم تنظيم المحتوى كسلسلة من البرامج التعليمية والتمارين العملية، مما يجعله مرجعاً لبناء ونشر الأنظمة الذكية باستخدام أطر عمل الصناعة القياسية.