Awesome GitHub RepositoriesModel Performance Selection

This project is an educational resource providing practical code examples and implementations of machine learning algorithms using the Python language. It serves as a guide for constructing predictive pipelines, clustering models, and dimensionality reduction within the Scikit-Learn ecosystem. The repository includes comprehensive demonstrations for supervised and unsupervised learning, as well as detailed examples for implementing neural networks and deep architectures. It also provides practical guidance on exporting model parameters to JSON and wrapping trained models in web APIs for produ

This project is a local AI inpainting tool designed to erase hard-coded subtitles and watermarks from videos and images. It functions as a content-aware media restorer that uses deep learning to reconstruct missing pixels and preserve the original resolution of the source files. The software is distinguished by its local execution model, running inference on host hardware to process media without relying on external cloud APIs. It employs content-aware model selection, allowing the use of different generative algorithms based on media types, such as animation or live action, to optimize visua

This project is an automated machine learning framework and toolkit designed for training and tuning custom models for classification, regression, and recommendations. It functions as a multimodal machine learning toolkit capable of processing and training models using a combination of text, image, audio, and sensor data. The framework distinguishes itself as a multimodal data processor that can handle and visualize large datasets on a single machine using column-oriented disk storage. It includes a core machine learning model generator that converts trained models into formats compatible wit

This repository is a collection of Jupyter notebooks providing reference implementations and templates for building, training, and deploying machine learning models using Amazon SageMaker. It serves as an example library for implementing model architectures and automating the machine learning lifecycle. The library provides practical patterns for machine learning training, data engineering, and model deployment. It includes implementation guides for MLOps, including workflows for model monitoring, lineage tracking, and hyperparameter tuning. The examples cover a broad range of capabilities i

AutoGluon is an automated machine learning framework and multimodal library designed to automate the end-to-end pipeline from data preprocessing to high-accuracy model training and validation. It functions as an automated model trainer for tabular, image, text, and time series data, as well as a tool for time series forecasting and foundation model finetuning. The project is distinguished by its ability to jointly process and fuse different data types, allowing for the construction of multimodal neural networks that integrate images, text, and structured tables. It supports zero-shot inferenc

PyCaret is a Python AutoML platform and MLOps lifecycle manager designed to automate machine learning workflows. It functions as a low-code environment that leverages a scikit-learn native engine to execute preprocessing, training, and evaluation for tabular data. The platform distinguishes itself as an LLM-powered ML copilot, using large language model agents to analyze datasets, design experiment configurations, and explain model results. It also serves as a Kubernetes ML orchestrator and model registry, enabling the versioning of trained pipelines and their promotion to production API endp

PathFinding.js is a grid-based pathfinding library that implements multiple search algorithms for computing optimal routes on 2D maps. It provides implementations of A*, Dijkstra, Breadth-First Search, and Jump Point Search, each designed to find the shortest path between two points on a grid while avoiding obstacles. The library is built around a pluggable architecture where each pathfinding strategy shares a common interface, allowing algorithms to be selected at runtime without modifying core logic. It includes a configurable diagonal movement rule engine that controls diagonal traversal b

h2o-3 is a distributed machine learning platform and automated machine learning framework designed for training and deploying predictive models using distributed in-memory computing. It functions as a deep learning framework and a distributed model scoring engine, capable of operating as a Kubernetes ML cluster to process large datasets in parallel. The platform distinguishes itself through automated machine learning capabilities that automatically select the best algorithms and hyperparameters to optimize model performance. It provides specialized deep learning toolkits for tasks including i

هذا المشروع عبارة عن منهج تعليمي للتعلم الآلي ومنصة تعليمية يتم تقديمها من خلال دفاتر Jupyter التفاعلية. يعمل كدليل شامل لإتقان مجموعة أدوات علوم البيانات في Python، ويوفر دروساً منظمة للحوسبة العددية، ومعالجة البيانات الجدولية، والتصور الإحصائي. يتضمن المنهج أدلة تنفيذ محددة لـ Scikit-Learn ودورة عملية حول TensorFlow لبناء وتدريب ونشر الشبكات العصبية ونماذج رؤية الحاسب. ويغطي العملية الشاملة لبناء النماذج التنبؤية، من صياغة المشكلة الأولية وتصنيف المهام إلى نشر النماذج عبر واجهات الويب التفاعلية. يغطي المشروع سطح إمكانات واسع بما في ذلك الحوسبة العددية مع المصفوفات متعددة الأبعاد، وتحليل البيانات الاستكشافي، وروتينات معالجة البيانات مسبقاً. ويوفر سير عمل مفصلاً للتعلم الخاضع للإشراف وغير الخاضع للإشراف، وخطوط أنابيب التعلم الآلي المؤتمتة، وتحسين المعلمات الفائقة، وتقييم النموذج باستخدام مقاييس التصنيف والتحقق المتبادل. يتم تنظيم المحتوى التعليمي كسلسلة من الدفاتر التي تتداخل فيها أكواد Python مع التفسيرات السردية لتوثيق سير عمل علوم البيانات.

statsforecast هي مكتبة تنبؤ بالسلاسل الزمنية إحصائية عالية الأداء مصممة لإنشاء تنبؤات نقطية وفترات تنبؤ. تعمل كإطار عمل موزع للسلاسل الزمنية يستخدم محرك تنبؤ قائم على C ومحدد نماذج آلي لتحديد وملاءمة النموذج الإحصائي الأمثل لكل سلسلة فريدة في مجموعة البيانات. يتضمن النظام أيضاً كاشف شذوذ للسلاسل الزمنية لتحديد نقاط البيانات غير العادية من خلال مقارنة القيم المرصودة مقابل فترات التنبؤ الاحتمالية. يتميز المشروع بقدرته على التعامل مع التنبؤ المتوازي على نطاق واسع لملايين السلاسل الفردية. ويحقق ذلك من خلال إطار عمل حوسبة موزع، وتنفيذ متوازي متعدد النواة، ونوى C مجمعة تسرع منطق ARIMA الأساسي والتنعيم الأسي. كما يعمل النظام على تحسين المعالجة واسعة النطاق باستخدام تخطيط بيانات طويل التنسيق وخط أنابيب بيانات التقييم الكسول لتقليل حمل الذاكرة. توفر المكتبة مجموعة شاملة من النماذج، بما في ذلك AutoARIMA، وطرق تنعيم أسي متنوعة للطلب المتقطع أو الموسمي، وتحليل Theta، ونمذجة تقلب GARCH للمخاطر المالية. وتغطي مجالات قدرات أوسع مثل التنبؤ متعدد المتغيرات مع متغيرات خارجية، وتحليل السلاسل الزمنية، وتقييم النموذج عبر التحقق المتبادل التاريخي وتحليل النافذة المنزلقة. تتكامل المكتبة مع هياكل بيانات عالية الأداء مثل Polars وتوفر أدوات لخدمة النماذج المحفوظة كنقاط نهاية REST للتنبؤات التي يمكن الوصول إليها عبر الشبكة.

EconML هي مكتبة Python للاستدلال السببي مصممة لتقدير تأثيرات العلاج غير المتجانسة باستخدام مزيج من تعلم الآلة والاقتصاد القياسي. تعمل كمجموعة أدوات لحساب تأثيرات العلاج المتوسطة المشروطة لتحديد كيفية تأثير تدخلات معينة على الأفراد أو المجموعات الفرعية. يوفر المشروع إطار عمل لتعلم الآلة المزدوج وتعلم الآلة المتعامد لعزل الإشارات السببية من المربكات عالية الأبعاد. يتضمن المشروع تطبيقات متخصصة للغابات السببية ومتعلمي المتغيرات الآلية، مما يسمح باستعادة العلاقات السببية حتى في وجود مربكات غير ملاحظة. تغطي المكتبة مجموعة واسعة من الإمكانيات بما في ذلك التحقق من النموذج السببي من خلال اختبارات الدحض ومنحنيات المعايرة، وبناء سياسات علاج شخصية، وتحليل أنظمة العلاج الديناميكية. كما تدعم المكتبة الاستدلال الإحصائي لتحديد عدم اليقين وتفسير عدم تجانس التأثير باستخدام النماذج القائمة على الأشجار وقيم Shapley. يتم تنفيذ المشروع وتوضيحه بشكل أساسي من خلال دفاتر Jupyter.

This project is a collection of comprehensive guides and reference materials designed for technical interviews, machine learning system design, and professional development. It serves as a technical knowledge base and a career coaching manual, providing structured resources to help candidates navigate the machine learning hiring landscape. The resource distinguishes itself by offering detailed frameworks for comparing industry roles, analyzing company types, and planning long-term career progression. It provides specific guidance on evaluating employer organizational health, identifying resea