Awesome GitHub RepositoriesAlgorithm Implementations

This project is a deep learning implementation library and neural network theory repository. It translates mathematical derivations from textbooks and literature into functional Python code to demonstrate how deep learning algorithms work. The codebase focuses on low-level algorithm implementation by using numerical libraries instead of high-level deep learning frameworks. This approach maps theoretical mathematical proofs to executable functions to verify principles and expose the underlying arithmetic and data flow of neural networks. The project covers the implementation of deep learning

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.

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.

pysot is a computer vision framework designed for single object tracking. It provides a platform for implementing and evaluating algorithms that locate and follow specific target objects across sequences of video frames. The project includes implementations of the SiamRPN architecture for region proposal network based localization and the SiamMask model, which combines tracking with binary mask generation to provide pixel-level segmentation of objects. The framework also contains a visual tracking evaluation toolkit used to measure the accuracy and reliability of tracking algorithms against

RecBole هو إطار عمل توصية يعتمد على PyTorch مصمم لبناء وتدريب وتقييم مجموعة واسعة من خوارزميات التوصية. يعمل كبيئة قياسية للمقارنة تسمح بمقارنة بنى النماذج المختلفة باستخدام مجموعات البيانات العامة ومقاييس التقييم المتسقة. يوفر المشروع مجموعات أدوات متخصصة للتوصية المتسلسلة وتكامل الرسوم البيانية المعرفية، مما يتيح التنبؤ بتسلسلات العناصر بناءً على سجل المستخدم أو دمج المعرفة الخارجية المهيكلة. ويتضمن محركاً مخصصاً لتحسين المعلمات الفائقة يستخدم البحث الشبكي والتحسين البايزي لضبط تكوينات النموذج. يغطي إطار العمل مجموعة واسعة من القدرات بما في ذلك إدارة البيانات لتوحيد سجلات التفاعل، وخطوط أنابيب التدريب مع مزامنة التدرج الموزعة والتنفيذ المختلط الدقة، وأدوات تقييم شاملة لترتيب المرشحين وتحليل التنوع. ويدعم أنواع توصية متعددة، مثل التصفية التعاونية العامة والتنبؤ بمعدل النقر. تم تنفيذ المكتبة بلغة Python وتستخدم PyTorch لإطار عمل التوصية الأساسي الخاص بها.

هذا المشروع عبارة عن منهج للتعلم الآلي ومورد تعليمي لعلوم البيانات. يوفر مجموعة منظمة من المواد التعليمية والمشاريع العملية المصممة لتعلم مفاهيم التعلم الآلي وتنفيذ النماذج التنبؤية. يعمل المورد كدليل تدريب للتعلم الخاضع للإشراف، مع التركيز على تطوير نماذج لتصنيف الصور والتعرف على الأرقام. يستخدم نهج تدريب قائماً على المشاريع يزاوج بين الدروس النظرية وتدريب النماذج القائم على مجموعات البيانات والتقييم. يغطي المنهج الأسس الرياضية للتعلم الآلي، ومعالجة البيانات، وتنفيذ خوارزميات التعلم الخاضع للإشراف. وينظم المحتوى في وحدات معيارية ومسارات متسلسلة تنتقل من الدراسة النظرية إلى التطبيق العملي للنماذج باستخدام مجموعات بيانات العالم الحقيقي.