Awesome GitHub RepositoriesNeural Network Model Implementations

This project is a deep learning curriculum and a collection of PyTorch tutorials designed for deep learning education. It provides a structured set of technical documents and runnable notebooks that translate theoretical machine learning concepts into executable code. The repository includes implementation guides for various neural network architectures, specifically covering convolutional, recurrent, and transformer-based models. It provides practical examples for building computer vision pipelines for object detection and semantic segmentation, as well as natural language processing tools f

هذا منهج تعليمي لبناء وتدريب الشبكات العصبية باستخدام PyTorch. يعمل كدليل ومورد لتدريب التعلم العميق، حيث يوفر سلسلة منظمة من الدروس حول حسابات الموترات (tensors) وتطوير البنيات. تستخدم الدورة نموذج تعلم تفاعلي يربط النظرية الأكاديمية بالممارسة. فهي تجمع بين شرائح المحاضرات النظرية ودفاتر الملاحظات القائمة على التمارين، مما يتطلب من الطلاب تنفيذ منطق النموذج ضمن قوالب محددة مسبقاً للتحقق من فهمهم المفاهيمي. يغطي المنهج مجموعة واسعة من قدرات التعلم العميق، بما في ذلك تحسين النموذج عبر الانحدار المتدرج (gradient descent) والتنظيم (regularization)، وتنفيذ بنيات الشبكات التلافيفية (convolutional)، والمتكررة (recurrent)، والمحولات (transformers). كما يتضمن تعليمات لمعالجة البيانات متعددة الوسائط وتطبيق التعلم شبه الخاضع للإشراف عبر الطرق التباينية والمشفرات التلقائية. يتم تقديم المحتوى من خلال سلسلة معيارية من Jupyter Notebooks.

This project is a collection of TensorFlow 2.x machine learning tutorials and practical code examples. It serves as a deep learning implementation guide for constructing diverse neural network architectures, including convolutional, recurrent, and generative networks. The repository provides templates and examples for several specialized domains, including computer vision for image classification and object detection, natural language processing for text generation and language understanding, and generative AI for synthesizing data using adversarial networks and autoencoders. It also includes

Tensorpack هو إطار عمل شبكة عصبية TensorFlow عالي المستوى ومكتبة بحثية مصممة لبناء وتدريب نماذج التعلم العميق. يوفر مجموعة من بنيات الشبكات العصبية القابلة للتكرار للرؤية الحاسوبية، والمهام التوليدية، والتعلم التعزيزي، ومعالجة اللغات الطبيعية. يتميز المشروع بخط معالجة بيانات تعلم عميق متخصص يستخدم Python الخالص لتحميل البيانات المتوازي والبث. ويتضمن منسق تدريب متعدد وحدات GPU لتوزيع أعباء العمل عبر استراتيجيات موازية للبيانات ومجموعة أدوات قابلية تفسير مخصصة لتصور خرائط بروز وتنشيط النموذج. يغطي إطار العمل مجموعة واسعة من القدرات، بما في ذلك خطوط معالجة الرؤية الحاسوبية لاكتشاف الكائنات والتجزئة الدلالية، ونمذجة التسلسل للكلام والنص، وتطوير وكيل التعلم التعزيزي. كما يوفر أدوات تحسين النموذج لتكميم الأوزان والتدريب منخفض البت، إلى جانب مرافق لإعادة إنتاج الأوراق البحثية الأكاديمية وتحويل أوزان نموذج Caffe القديمة.

هذا المستودع عبارة عن مجموعة من البرامج التعليمية الموجهة لبناء وتدريب نماذج التعلم الآلي باستخدام إطار عمل TensorFlow. يوفر جولات عملية وأمثلة لتنفيذ مجموعة متنوعة من معماريات النماذج لحل مشاكل التنبؤ بالبيانات وتحليلها. تغطي الأدلة بناء الشبكات العصبية التغذوية، والتلافيفية، والمتكررة لتحليل أنماط البيانات المعقدة. تتضمن برامج تعليمية محددة للتعلم غير الخاضع للإشراف، مثل أجهزة التشفير التلقائي لإزالة الضوضاء وتضمينات word-to-vec، بالإضافة إلى أمثلة لتدريب الشبكات التنافسية التوليدية لتوليف عينات بيانات جديدة. يتناول المحتوى أيضاً إدارة النماذج، بما في ذلك تعليمات لحفظ واستعادة أوزان الشبكة للحفاظ على تقدم التدريب. بالإضافة إلى ذلك، يغطي تصور مقاييس التدريب والرسوم البيانية الحسابية لمراقبة الأداء.

هذا المشروع عبارة عن مجموعة من دفاتر Jupyter التعليمية التي تقدم دروساً حول بناء الشبكات العصبية وعمليات المصفوفات (tensors) باستخدام إطار عمل TensorFlow. يعمل كمستودع تعليمي للتعلم الآلي ودليل تنفيذ لطلاب التعلم العميق. تركز المجموعة على بنيات متقدمة محددة، بما في ذلك الشبكات التلافيفية (CNN) لتصنيف الصور، والشبكات المتبقية (residual networks) مع وصلات التخطي لضمان استقرار التدريب، والمشفرات التلقائية المتغيرة (variational autoencoders) للنمذجة التوليدية وتوليف البيانات. كما تتضمن أدلة لبناء المشفرات التلقائية لإزالة الضوضاء والعميقة لاستخراج الميزات وتقليل الأبعاد. يغطي المستودع نطاقاً أوسع من النمذجة التنبؤية، مع تنفيذ الانحدار الخطي ومتعدد الحدود واللوجستي للتنبؤ بالقيم المستمرة والنتائج الثنائية. المحتوى منظم في دفاتر تفاعلية تسمح للمستخدمين بتنفيذ العمليات الرياضية وتعديل تجارب التعلم الآلي.

This project is a collection of PyTorch deep learning courseware consisting of practical projects and programming exercises. It focuses on implementing neural network architectures and model training to solve complex data problems. The repository includes a computer vision project suite for building image classifiers, autoencoders, and style transfer applications. It features a generative adversarial network lab for creating synthetic images and specific implementations for transfer learning to adapt pre-trained weights to new tasks. The codebase covers sequential data analysis for natural l

هذا المشروع عبارة عن إطار عمل للحوسبة العلمية لنظام .NET، يوفر مجموعة شاملة من المكتبات للتحليل العددي، والإحصاء، والتحسين الرياضي. يعمل كمجموعة أدوات أساسية لتطوير التطبيقات في تعلم الآلة، ومعالجة الإشارات الرقمية، ورؤية الحاسوب. يوفر إطار العمل مجموعات أدوات متخصصة لتدريب ونشر النماذج التنبؤية، بما في ذلك الشبكات العصبية، وآلات ناقل الدعم، وأشجار القرار. كما يتميز بتكامل عميق للتحليل المرئي في الوقت الفعلي، مثل تتبع الكائنات واكتشاف ملامح الوجه، إلى جانب مكتبة مخصصة لمعالجة الإشارات الرقمية لالتقاط وتصفية إشارات الصوت والمستشعرات. تمتد مساحة الإمكانيات إلى تحليل المصفوفات عالي المستوى والجبر الخطي، ونمذجة الحالة الاحتمالية، وخوارزميات البحث الاستكشافي. كما تغطي مجموعة واسعة من أدوات معالجة البيانات، من تقليل الأبعاد والتطبيع إلى تنظيم البيانات المكانية ومكونات التصور العلمي. يتضمن النظام وحدات تحكم تكامل الأجهزة لتكوين الكاميرا، وإدارة منافذ GPIO، وأجهزة استشعار العمق المتخصصة.

هذا المشروع عبارة عن تنفيذ للتعلم العميق لمعمارية RetinaNet لاكتشاف وتصنيف الكائنات داخل الصور. تم بناؤه كإطار عمل لاكتشاف الكائنات في Keras وأداة رؤية حاسوبية في TensorFlow، ويوفر تنفيذاً كاملاً للشبكة العصبية بناءً على ورقة RetinaNet. يتضمن إطار العمل مكونات متخصصة مثل شبكة هرم الميزات (Feature Pyramid Network) ودالة خسارة بؤرية (focal loss) للتعامل مع اكتشاف الكائنات. يتميز بمعمارية خلفية قابلة للتكوين وصناديق تحديد قائمة على المرساة (anchor-based) للتنبؤ بمواقع الكائنات عبر مقاييس ونسب عرض إلى ارتفاع متفاوتة. تغطي مجموعة الأدوات سير العمل من البداية إلى النهاية للرؤية الحاسوبية، بما في ذلك روتين التدريب، وتقييم الأداء، ونشر استدلال النموذج. توفر أدوات إدارة البيانات لاستيراد وتصحيح تعليقات الصور التوضيحية من تنسيقات CSV و Pascal VOC، بالإضافة إلى أدوات لتحويل النماذج المدربة إلى تنسيقات مختلفة للنشر.

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.

هذا المشروع عبارة عن مستودع مناهج أكاديمية ومركز موارد تعليمية لدراسة الاحتمالات والإحصاء والتعلم الآلي. يعمل كموقع لدورة التعلم العميق ومركز للمواد التعليمية، ويوفر مجموعة مهيكلة من المحتوى المصمم لتدريس معماريات الشبكات العصبية. يتميز المستودع بدمج مورد تعليمي شامل مع أرشيف لمشاريع التعلم الآلي. يوفر مجموعة منسقة من أمثلة الأبحاث وأدلة التنفيذ لمجموعة واسعة من النماذج، بما في ذلك الشبكات العصبية متعددة الطبقات (MLP)، والشبكات التلافيفية (CNN)، ونماذج التسلسل المتكررة (RNN). يغطي المشروع مجموعة واسعة من القدرات، بما في ذلك أبحاث رؤية الكمبيوتر لاكتشاف الكائنات وتصنيف الصور، وتنفيذ نمذجة التسلسل إلى تسلسل، وتقنيات تحسين الشبكات العصبية. كما يوفر أدوات إدارية لإدارة الدورات الأكاديمية، مثل تتبع معالم المشروع وتوزيع المهام. يتم تقديم المواد التعليمية من خلال مزيج من دفاتر الملاحظات التفاعلية، وشرائح المحاضرات، وتسجيلات الفيديو.

This repository provides a collection of interactive Jupyter notebooks designed to bridge theoretical machine learning concepts with practical implementation. It serves as a structured educational curriculum for deep learning, offering hands-on tutorials that guide users through the fundamentals of neural network architectures and their application. The project distinguishes itself by demonstrating identical neural network architectures across multiple industry-standard machine learning libraries, allowing for direct comparison and framework-agnostic learning. It includes utilities to transfo

هذا المشروع عبارة عن محرك للتعرف الضوئي على الحروف (OCR) يعتمد على الطرفية، ويستخدم نماذج الشبكات العصبية لاستخراج النصوص وبيانات التخطيط المكاني من الصور. يعمل كأداة سطر أوامر لمعالجة النصوص المؤتمتة وكمكتبة لدمج التعرف المدعوم بالتعلم الآلي في سير العمل الأوسع. يتميز المحرك بخط معالجة معياري يدعم تحميل النماذج المخصصة وتهيئة الأوزان المعينة في الذاكرة (memory-mapped) للتنفيذ الفعال. وهو يحافظ على بنية المستند من خلال تتبع إحداثيات هندسية دقيقة لكل عنصر نصي مكتشف، ويسمح بتحسين المخرجات من خلال قواعد التحقق على مستوى الحرف. يتضمن النظام أدوات شاملة لاستيعاب الصور، بما في ذلك الالتقاط المباشر من حافظة النظام ومحتوى المتصفح. كما يوفر قدرات تشخيصية من خلال إنشاء تراكبات بصرية وقطع أثرية للمعالجة الوسيطة للتحقق من دقة التعرف واستكشاف أخطاء أداء خط المعالجة وإصلاحها. يتم توزيع البرنامج كملف ثنائي ثابت (static binary) لضمان إمكانية النقل عبر البيئات دون الحاجة إلى تبعيات خارجية.

Deep-Learning-Experiments is an educational resource providing a collection of structured notes and hands-on coding experiments focused on neural network theory and model development. The repository serves as a practical guide for building and optimizing machine learning architectures, ranging from basic perceptrons to modern generative models. The project utilizes interactive notebooks to combine live code with narrative text, allowing users to explore the mathematical principles and architectural concepts behind deep learning. It provides instructional materials that cover the end-to-end ma