Awesome GitHub RepositoriesGradient-Based Parameter Updates

DeepLearningZeroToAll هو مورد تعليمي شامل ومجموعة تنفيذ تركز على التعلم العميق والتعلم الآلي. يوفر مسار تعلم منظماً باستخدام TensorFlow للانتقال من النماذج الخطية الأساسية إلى بنى الشبكات العصبية المعقدة. يتميز المشروع بتنفيذاته العملية لأنواع مختلفة من الشبكات، بما في ذلك perceptrons متعددة الطبقات لمشاكل المنطق، والشبكات العصبية التلافيفية للبيانات المكانية والتعرف على الصور، والشبكات العصبية المتكررة باستخدام خلايا LSTM للتنبؤ بالسلاسل الزمنية وتنبؤ تسلسل الأحرف. كما يتضمن عروضاً توضيحية مفصلة لتنظيم النموذج من خلال تقنيات تطبيع الدفعات (batch normalization) والـ dropout. يغطي المستودع مجموعة واسعة من القدرات، بما في ذلك التعلم الآلي الخاضع للإشراف مع الانحدار الخطي واللوجستي، وهندسة البيانات لمعالجة الـ tensor والقياس، وتحسين النموذج من خلال الانحدار المتدرج (gradient descent) وحسابات الانتشار العكسي اليدوية. كما يتضمن أدوات لتقييم النموذج، واستمرارية الأوزان، وقابلية مراقبة التدريب عبر تصور دالة التكلفة وتسجيل المقاييس. يتم تقديم المحتوى من خلال سلسلة من Jupyter Notebooks.

هذا المشروع عبارة عن مجموعة من خوارزميات تعلم الآلة الأساسية والأدوات المنفذة من الصفر بلغة Python. يعمل كمكتبة للتنفيذات الأساسية لنماذج الانحدار والتصنيف والتجميع، مصممة لإظهار الهياكل الرياضية الأساسية لهذه الخوارزميات دون الاعتماد على أطر عمل تعلم الآلة عالية المستوى. يركز المشروع على التنفيذ اليدوي للمنطق الخوارزمي، بما في ذلك الشبكات العصبية مع الانتشار الأمامي وتحديثات الأوزان، بالإضافة إلى نماذج تعلم متنوعة خاضعة للإشراف وغير خاضعة للإشراف. يستخدم NumPy للتحويل المتجهي لإجراء حسابات المصفوفات والعمليات الرياضية على مجموعات البيانات الكبيرة. تغطي مجموعة الأدوات مجموعة واسعة من القدرات، بما في ذلك تقليل الأبعاد عبر تحليل المكونات الرئيسية (PCA) والمعالجة المسبقة للبيانات لمجموعات البيانات الرقمية والصورية. تمتد التنفيذات الخوارزمية عبر الانحدار الخطي والبايزي، وتجميع K-Means، وطرق تصنيف متعددة مثل آلات ناقل الدعم (SVM)، وأشجار القرار، و K-Nearest Neighbors. يتم تسليم المشروع كسلسلة من دفاتر Jupyter.

هذا المشروع عبارة عن قاعدة كود تعليمية ومكتبة مرجعية تترجم مفاهيم تعلم الآلة النظرية إلى كود PyTorch قابل للتنفيذ. يعمل كتطبيق عملي لكتاب مدرسي عن تعلم الآلة، ويوفر هيكلاً يشبه الدورة التدريبية من التمارين الموجهة والأمثلة المعمارية لأغراض التعلم. يتضمن المستودع مكتبة من معماريات الشبكات العصبية القياسية، بما في ذلك النماذج الخطية، والتلافيفية، والمتكررة، ونماذج المحولات (transformers). ينفذ بشكل خاص مجموعة متنوعة من أنماط تعلم الآلة مثل الإدراك متعدد الطبقات، وشبكات VGG، ووحدات التكرار المبوّبة (GRU)، وشبكات الذاكرة طويلة المدى (LSTM). تغطي قاعدة الكود مجالات قدرات واسعة بما في ذلك الرؤية الحاسوبية لتصنيف الصور واكتشاف الكائنات، بالإضافة إلى معالجة اللغات الطبيعية لنمذجة التسلسل والترجمة. كما ينفذ مكونات تعلم الآلة الأساسية مثل الانحدار الخطي وsoftmax، والتصنيف الاحتمالي، ومجموعة من خوارزميات التحسين القائمة على التدرج. يتم تقديم المشروع بشكل أساسي كمجموعة من دفاتر Jupyter.

This project is a deep learning educational course and implementation guide designed for building and training neural networks. It provides a curriculum for developing models that solve pattern recognition and generative tasks. The material includes specialized modules for computer vision training, natural language processing, and generative AI. It covers the practical application of transfer learning to classify new data and the creation of synthetic media. The project encompasses the design of network architectures, the construction of machine learning data pipelines, and the use of model

هذا المشروع عبارة عن مورد تعليمي شامل ودليل تدريبي لبناء وتدريب ونشر نماذج تعلم الآلة باستخدام TensorFlow 2. يعمل كدليل تعليمي منظم يغطي مفاهيم التعلم العميق الأساسية، بما في ذلك معماريات الشبكات العصبية، والاشتقاق التلقائي، وعمليات الموترات (Tensors). يوفر الدليل توجيهات تقنية حول تحسين كفاءة التنفيذ من خلال إدارة ذاكرة GPU، والتدريب الموزع، وتكميم النماذج (Model Quantization). كما يتضمن أدلة مفصلة لبناء خطوط معالجة بيانات عالية الأداء وتصدير النماذج لخوادم الإنتاج، والأجهزة المحمولة، ومتصفحات الويب. تغطي المادة مجموعة واسعة من القدرات، بما في ذلك تطوير النماذج باستخدام الشبكات التلافيفية (CNN) والمتكررة (RNN)، وتنفيذ دوال خسارة وطبقات مخصصة، واستخدام النماذج المدربة مسبقاً للتعلم بنقل المعرفة (Transfer Learning). كما يتناول استراتيجيات النشر للأجهزة الطرفية (Edge Devices) واستخدام بيئات التشغيل السحابية لتسريع العتاد. تم تنفيذ المادة كمجموعة من دفاتر Jupyter Notebooks.

Lasagne is a modular neural network framework and symbolic computation engine used for building and training deep learning architectures. Built as a library on top of Theano, it utilizes symbolic expression graphs and lazy evaluation to automate gradient calculations for parameter optimization. The framework emphasizes modularity by allowing the construction of complex neural networks through the composition of independent and reusable layers. It is designed as a hardware-accelerated machine learning library that offloads intensive linear algebra operations to graphics processors to increase

This project is a structured TensorFlow deep learning curriculum and an interactive machine learning course delivered through Jupyter Notebooks. It serves as a technical guide and model zoo providing reference implementations for neural networks and machine learning algorithms. The curriculum focuses on practical implementations of computer vision, including object detection, semantic segmentation, and style transfer. It also provides tutorials for natural language processing, specifically covering word embeddings and encoder-decoder architectures for sequence modeling. The material covers t

هذا المشروع عبارة عن إطار عمل لضبط نماذج اللغات الكبيرة باستخدام تقنيات تدريب فعالة من حيث المعلمات. يوفر خط أنابيب منظماً لتكييف نماذج المحولات (transformer) المدربة مسبقاً لمهام محددة مع تقليل الموارد الحسابية والذاكرة المطلوبة أثناء عملية التدريب. يتميز النظام باستخدام التكيف منخفض الرتبة (low-rank adaptation)، الذي يحقن مصفوفات تحلل الرتب القابلة للتدريب في طبقات المحولات المجمدة. من خلال تحديث هذه المجموعة الفرعية الصغيرة فقط من المعلمات المحقونة بدلاً من النموذج بأكمله، يقلل إطار العمل من الحمل المرتبط بتخزين التدرج وتخصيص الذاكرة. تغطي مجموعة الأدوات دورة حياة التطوير بأكملها، بما في ذلك معالجة البيانات مسبقاً، وتدريب النموذج، والاستدلال. وهي تتضمن أدوات لتحويل مجموعات البيانات الخام إلى تنسيقات مرمزة متوافقة مع متطلبات النموذج، بالإضافة إلى آليات لتنفيذ استدلال النموذج لتقييم الأداء مقابل المعايير الأساسية.

This project is a framework for aligning large language models with human preferences. It provides a library for optimizing model behavior by mapping preference data directly to a policy objective, bypassing the need for a separate reward model. The framework utilizes a closed-form mathematical objective to adjust model weights by maximizing the likelihood of preferred responses relative to dispreferred ones. It includes a toolkit for supervised fine-tuning, allowing users to establish a stable baseline on demonstration data before applying preference-based optimization techniques. The libra

This project serves as a comprehensive educational resource and curriculum for mastering machine learning and deep learning within the Python data science ecosystem. It provides a structured collection of tutorials and code examples designed to guide users through the end-to-end process of building, training, and deploying predictive models. The material focuses on practical implementation, covering the construction of machine learning pipelines that integrate data processing, feature engineering, and model training. It distinguishes itself by offering hands-on guidance for complex domains, i

هذا المستودع عبارة عن مجموعة من تطبيقات التعلم الآلي العملية المصممة لتوضيح التحليلات التنبؤية الأساسية، ورؤية الكمبيوتر، وتقنيات معالجة اللغات الطبيعية. يعمل كمورد لتطبيق أطر التعلم الآلي القياسية لحل مشاكل علوم البيانات المتنوعة، بدءاً من التصنيف المؤتمت إلى التعرف المعقد على الأنماط. يتميز المشروع بتقديم أمثلة ملموسة عبر مجالات متعددة، بما في ذلك تطوير الواجهات الحوارية، وتحليل البيانات الجغرافية المكانية، وتنفيذ بنيات التعلم العميق لمعالجة المحتوى المرئي. تركز كل وحدة على منهجيات محددة، مثل تدريب النماذج لتفسير مدخلات المستخدم، والتنبؤ بالاتجاهات الزمنية، وتحديد الكائنات داخل تدفقات الصور أو الفيديو. تغطي المجموعة سطح قدرات واسع، بما في ذلك خطوط أنابيب التعلم الخاضع للإشراف وغير الخاضع للإشراف، والتقدير القائم على الانحدار، وتحسين الشبكة العصبية. تعالج هذه التطبيقات مهام مثل تصنيف أنماط البيانات، وتقدير النتائج الرقمية، وإجراء تحليل مؤتمت على مجموعات البيانات المهيكلة وغير المهيكلة. تم تنظيم المستودع كسلسلة من دفاتر Jupyter التي توفر تطبيقات عملية لسير عمل التعلم الآلي هذه.

هذا المشروع عبارة عن منهج تعليمي منظم مصمم لتدريس أساسيات بناء وتدريب نماذج التعلم العميق. يوفر دليلاً شاملاً لتنفيذ الشبكات العصبية باستخدام أطر عمل تعلم الآلة عالية المستوى ولغة البرمجة Python، مع التركيز على التمارين العملية للمبتدئين. يتميز البرنامج التعليمي بتغطية دورة حياة تطوير النموذج بأكملها، من البناء الأولي إلى التحسين الجاهز للإنتاج. يتضمن وحدات محددة حول تحسين أداء النموذج من خلال تكميم الوزن ومعالجة تحيز البيانات عن طريق تخفيف اختلالات الفئة. يؤكد المنهج أيضاً على أهمية إعداد البيانات، ويقدم تقنيات لزيادة الصور وإنشاء تضمينات الكلمات لتحسين تعميم النموذج. بعيداً عن التدريب الأساسي، يستكشف المستودع مهام معالجة اللغات الطبيعية المتقدمة ورؤية الحاسوب. يوضح كيفية بناء نماذج المحولات، واستخدام الشبكات العصبية المتكررة لتصنيف النص، وتحسين خطوط أنابيب إدخال البيانات لضمان معالجة فعالة. تغطي المواد أيضاً ممارسات المراقبة الأساسية، مثل تصور مقاييس التدريب ووظائف الخسارة لتقييم دقة النموذج طوال عملية التعلم.

This project is a deep learning library and neural network training framework built for the TensorFlow ecosystem. It functions as a structured repository of algorithms and tools designed to execute iterative learning routines, fit complex datasets to predictive models, and manage the deployment of trained neural networks. The library provides a standardized interface for machine learning research prototyping, allowing users to experiment with various architectures and validate data models. It supports the full lifecycle of model development, from the initial training of neural networks on cus