Awesome GitHub RepositoriesParameter Optimizers

Flashlight هي مكتبة تعلم آلي بلغة C++ وإطار عمل للتعلم العميق مصمم لبناء وتدريب الشبكات العصبية. تعمل كمكتبة لمعالجة الموترات (Tensors) ومحرك للتمايز التلقائي يتتبع العمليات لحساب التدرجات عبر الانتشار العكسي (Backpropagation) لتحسين النموذج. يتميز المشروع بدوره كإطار عمل للتدريب الموزع، حيث يستخدم مزامنة التدرج (All-reduce) والبيئات الموزعة لتوسيع نطاق أحمال عمل التعلم الآلي عبر عقد وأجهزة متعددة. يتميز بواجهة ذاكرة غير مرتبطة بالخلفية وإدارة تعتمد على RAII لفصل عمليات الموتر عن الأجهزة الفعلية. يغطي إطار العمل مساحة قدرة واسعة بما في ذلك بناء بنيات الشبكات العصبية مع طبقات تلافيفية وخطية ومتكررة. يوفر أدوات واسعة النطاق لجبر الموترات، وإدارة مجموعات البيانات وتجميعها، وتسلسل ثنائي مرقم لحالات النموذج، وأدوات مراقبة لتتبع مقاييس التدريب واستخدام الذاكرة.

هذا المشروع عبارة عن مورد تعليمي شامل لتعلم الآلة وسلسلة دروس مقدمة كمجموعة من دفاتر Jupyter التفاعلية. يوفر تطبيقات عملية بلغة Python لدورة حياة تعلم الآلة بالكامل، مغطياً التعلم الخاضع للإشراف وغير الخاضع للإشراف، والتعلم العميق، والتعلم التعزيزي. يتميز المورد بتقديم أدلة تنفيذ مفصلة لمعماريات معقدة، بما في ذلك المحولات (transformers)، والشبكات التنافسية التوليدية (GANs)، والشبكات العصبية التلافيفية (CNNs). كما يتضمن دورات متخصصة لتطوير وكلاء التعلم التعزيزي باستخدام Q-learning وDeep Q-Networks داخل بيئات محاكاة. يغطي المحتوى نطاقاً واسعاً من قدرات علم البيانات، بما في ذلك خطوط أنابيب هندسة البيانات، وترميز الميزات، وتقليل الأبعاد. كما يوفر مواد مكثفة حول تقييم النماذج من خلال التحقق المتقاطع والمقاييس التشخيصية، بالإضافة إلى مواضيع متقدمة مثل معالجة اللغات الطبيعية، وتحليل المشاعر، والذكاء الاصطناعي التوليدي. تم تصميم المنهج بالكامل للتنفيذ التفاعلي داخل دفاتر Jupyter، حيث يجمع بين الكود القابل للتنفيذ والنصوص الغنية والمرئيات.

هذا المشروع عبارة عن مورد تعليمي شامل ودورة تدريبية لبناء الشبكات العصبية باستخدام PyTorch. يغطي اللبنات الأساسية للتعلم العميق، بما في ذلك معالجة الموترات (tensors)، والتمايز التلقائي، وبناء مكونات الشبكة العصبية المعيارية. يعمل المستودع كدليل تقني للعديد من المجالات المتخصصة. يوفر تفاصيل تنفيذ لمهام رؤية الكمبيوتر مثل تصنيف الصور، واكتشاف الكائنات، والتجزئة الدلالية، بالإضافة إلى سير عمل معالجة اللغات الطبيعية التي تتضمن المحولات (transformers)، والشبكات المتكررة، والنماذج التوليدية. بالإضافة إلى ذلك، يتضمن مرجعاً للذكاء الاصطناعي التوليدي، مع التركيز بشكل خاص على تركيب الصور عبر نماذج الانتشار (diffusion models) والشبكات التنافسية. تمتد المادة إلى تحسين النماذج وخطوط أنابيب النشر. تغطي تقنيات لتقليل حجم النموذج وزيادة سرعة الاستنتاج من خلال التكميم (quantization) وتصدير النماذج إلى تنسيقات مثل ONNX وTensorRT. تشمل مجالات القدرة الأخرى هندسة البيانات للتحميل المتوازي، وتقييم النموذج باستخدام مقاييس مخصصة، ونشر نماذج اللغات الكبيرة مفتوحة المصدر. يتم تقديم المشروع بشكل أساسي كسلسلة من دفاتر Jupyter.

TensorFlow Probability is a library for probabilistic reasoning and statistical analysis integrated with the TensorFlow ecosystem. It serves as a Bayesian deep learning framework, a probabilistic programming interface, and a variational inference engine, providing a toolset for Markov chain Monte Carlo sampling and tensor-based probabilistic modeling. The project enables the construction of neural networks with probabilistic weights and the implementation of Bayesian neural networks to quantify prediction uncertainty. It provides specialized capabilities for hierarchical probabilistic modelin

This project is a collection of educational resources and reference implementations for neural network development using TensorFlow. It serves as a comprehensive learning course, machine learning curriculum, and practical implementation guide for building deep learning architectures. The codebase provides instructional materials and examples covering a wide range of model types, including convolutional neural networks for image classification, recurrent networks and long short-term memory cells for sequential data, and autoencoders for generative modeling. It also includes implementations for

هذا المشروع عبارة عن ترجمة صينية للأدلة التقنية ومراجع واجهة برمجة التطبيقات لإطار عمل التعلم العميق PyTorch. يعمل كقاعدة معرفية مترجمة ومادة مرجعية لجعل وثائق التعلم العميق في متناول غير الناطقين بالإنجليزية. تغطي الوثائق مجموعة شاملة من قدرات PyTorch، بما في ذلك تطوير نماذج الشبكات العصبية، والتمايز التلقائي، وتنفيذ النواة (kernels) في الواجهة الخلفية. يوفر إرشادات مفصلة حول استراتيجيات التدريب الموزع، ونشر النماذج عبر تنسيقات مثل ONNX و C++، وتقنيات تحسين النماذج وتكميمها (quantization) المختلفة. يستخدم المشروع خط أنابيب ترجمة مدفوعاً بالمجتمع ونموذج مساهمة موزعاً للحفاظ على محتوى متزامن مع الإصدارات. يتم تنظيم المواد التقنية باستخدام markdown وعرضها في موقع ويب قابل للتصفح عبر توليد المواقع الثابتة.

هذا المشروع هو تحسين لجدولة Anki ينفذ خوارزمية Free Spaced Repetition Scheduler. يعمل كبديل لنماذج الجدولة التقليدية، حيث يقوم بحساب فترات المراجعة لتحسين الاحتفاظ بالذاكرة على المدى الطويل. توفر الأداة محاكاة للاحتفاظ بالذاكرة للتنبؤ بعدد المراجعات المستقبلية ووقت الدراسة بناءً على البيانات التاريخية. وتسمح بتحسين مستويات الاحتفاظ لموازنة جهد الدراسة مقابل ثبات الذاكرة، كما تدعم تجاوزات الجدولة المخصصة لمجموعات بطاقات معينة. يغطي النظام تحليل أنماط الذاكرة، والتنبؤ بعبء العمل، والحساب الآلي لتواريخ المراجعة بناءً على أنماط التعلم الفردية.

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.

This project provides a comprehensive educational curriculum and research resource for deep learning, focusing on the theoretical and technical foundations of neural network implementation. It serves as a structured academic guide for building and training complex models from scratch, covering the essential mathematical primitives, computational graph construction, and automatic differentiation mechanisms required for modern machine learning. The repository distinguishes itself through its extensive coverage of generative modeling and specialized neural architectures. It includes practical im

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.