Awesome GitHub RepositoriesAccuracy Calculators

This project is an educational platform and research toolkit designed to teach deep learning through a combination of mathematical theory, visual diagrams, and executable code. It provides a comprehensive environment for building, training, and evaluating neural networks, grounding complex concepts in interactive computational notebooks that allow for hands-on experimentation. The framework distinguishes itself by interleaving theoretical foundations—including linear algebra, calculus, and probability—with practical implementations across multiple industry-standard libraries. It supports flex

This project is a machine learning algorithm reference and implementation guide that provides theoretical foundations and code for supervised learning, deep learning, and natural language processing. It serves as a comprehensive toolkit for implementing predictive models and a technical reference for algorithm engineering. The project focuses on ensemble learning frameworks, including the construction of decision trees, random forests, and gradient boosting models. It also functions as a probabilistic graphical model library and an NLP algorithm reference, with specific implementations for se

This project is an educational framework designed to teach the fundamentals of building core distributed systems and web services from scratch in Go. It provides a collection of modular implementations that demonstrate how to construct essential infrastructure components, including web servers, remote procedure call systems, distributed caches, and database abstraction layers. The framework distinguishes itself by focusing on the internal mechanics of these systems rather than providing a high-level abstraction for production use. It covers the implementation of complex architectural patterns

PyOD is a Python anomaly detection library used to identify outliers in tabular, time series, graph, text, and image data. It provides a collection of algorithms for detecting anomalous data points and includes a unified detector interface that standardizes input and output signatures across its available detection algorithms. The project features a multi-modal outlier detector for identifying anomalies across diverse formats including unstructured text and images, as well as a specialized toolkit for graph-based and time-series anomaly detection. It includes an ensemble framework for combini

Pyannote.audio is a PyTorch toolkit for speaker diarization, speaker identification, and speech activity detection. Its primary purpose is to partition audio recordings into segments and assign each segment to a specific speaker identity to determine who spoke when. The project includes a framework for classifying speaker identities and a pipeline for distinguishing human speech from background noise. It provides specialized tools for handling symmetric-overlap speech, where multiple speakers talk simultaneously, and employs learnable band-pass filters for raw waveform feature extraction. Th

ImageAI is a Python computer vision library providing a suite of tools for image classification, object detection, and video analytics. It functions as an integrated framework for locating and labeling objects in static images and video streams, utilizing deep learning models for identification and categorization. The project includes a model training toolkit that allows for the creation of custom classifiers and detectors through scratch training or transfer learning. It features a GPU-accelerated inference engine to increase processing speed for vision tasks and includes specialized utiliti

This is a scikit-learn automated machine learning framework designed to optimize model selection and hyperparameters. It functions as an automated model selector and hyperparameter optimization tool for classification and regression tasks, utilizing an automated ensemble builder to combine high-performing models for increased predictive accuracy. The system features a distributed search engine that uses Dask for parallel machine learning optimization across CPU cores or clusters. It implements a budget-based evaluation strategy through successive halving to prioritize promising model configur

Facets is a set of interactive software tools for the statistical analysis, distribution visualization, and multidimensional exploration of machine learning datasets. It provides a visual interface for identifying outliers and missing values in numeric and string data, specifically designed for auditing dataset quality and identifying skews between training and validation sets. The system uses multidimensional facet-based visualization and interactive bucketing to map individual data points across multiple feature axes. It employs synchronized view filtering and animated dimension transitions

This is a comprehensive educational curriculum designed to teach machine learning fundamentals using the Python programming language. It provides a structured course covering the implementation and theory of supervised learning, unsupervised learning, and deep learning. The curriculum is delivered through interactive notebooks that combine executable code with technical tutorials. It includes dedicated guides for building neural network architectures, implementing classification and regression models, and utilizing clustering techniques for pattern discovery in unlabeled data. The materials

Surprise is a Python library for building and analyzing recommendation systems. It provides a comprehensive toolkit for implementing collaborative filtering to predict user preferences and generate item suggestions based on historical rating patterns. The library includes dedicated tools for hyperparameter optimization and model evaluation. It allows for searching through parameter sets to find the most effective configurations and utilizes a suite of metrics to measure prediction accuracy. The framework covers the full development workflow, including data loading from various sources, the c

PointNet هو بنية تعلم عميق مصممة لمعالجة وتصنيف سحب النقاط ثلاثية الأبعاد الخام مباشرة دون الحاجة إلى تحويلها إلى فوكسل (voxelization). يوفر نظاماً لتصنيف الكائنات ثلاثية الأبعاد، وأطر عمل للتقسيم الدلالي (semantic segmentation) لتقسيم السحب إلى فئات، وأدوات لتصور الأشكال ثلاثية الأبعاد. يستخدم المشروع شبكة تحويل لمحاذاة سحب النقاط في مساحة إحداثيات قانونية، ويستخدم تجميعاً قائماً على الدوال المتماثلة لتكثيف الميزات النقطية في متجهات عالمية بغض النظر عن ترتيب النقاط. كما يتميز ببنية تجميع متعددة المقاييس لاستخراج ميزات هندسية هرمية عبر مقاييس مكانية مختلفة. يتضمن النظام خطوط أنابيب بيانات لتحويل بيانات تحليل الأشكال والأماكن المغلقة ثلاثية الأبعاد الخام إلى ملفات HDF5 للتدريب. تغطي قدرات التقييم مقاييس دقة التقسيم وعرض سحب النقاط ثلاثية الأبعاد المصنفة بشكل خاطئ في صور ثلاثية الزوايا لتحليل الأخطاء.

SAHI هو إطار عمل للاستدلال المقطع (sliced inference) وخط معالجة رؤية الكمبيوتر مصمم لاكتشاف الأشياء الصغيرة في الصور عالية الدقة. يوفر نظاماً لتقسيم الصور الكبيرة إلى رقع متداخلة لمنع فقدان التفاصيل الذي يحدث عادةً أثناء تقليل حجم النموذج القياسي، إلى جانب أداة تبليط الصور ومجموعة أدوات بيانات COCO. يتميز المشروع بتقديم غلاف تنبؤ محايد للنموذج يوحد أطر عمل تعلم الآلة المختلفة في واجهة موحدة. يسمح هذا بتنفيذ الاستدلال المقطع واكتشاف الأشياء عبر خلفيات نماذج مختلفة مع الحفاظ على تنسيق مخرجات متسق. بعيداً عن الاستدلال، يغطي إطار العمل إدارة مجموعات البيانات لتنسيقات COCO و YOLO، بما في ذلك أدوات لتقطيع الصور المشروحة، وإعادة تعيين الفئات، ودمج مجموعات البيانات. كما يتضمن مجموعة لتقييم ومراقبة أداء النموذج، تتميز بحساب مقاييس الدقة والاستدعاء، وتحليل خطأ الاكتشاف، وتصور النتائج. مجموعة الأدوات متاحة عبر واجهة سطر الأوامر لأتمتة سير عمل الاستدلال عبر أدلة الصور وتدفقات الفيديو.

This project is an object detection evaluation library and benchmarking tool designed to calculate precision, recall, and average precision for computer vision models. It provides a suite of utilities for parsing bounding box coordinates from text files and calculating spatial overlap to determine detection accuracy. The toolkit features a command line interface for comparing ground truth files against model predictions. It includes a precision-recall curve generator to visualize the relationship between precision and recall across different confidence thresholds and an intersection over unio

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.

Tiny Universe is an educational monorepo that delivers multiple independent implementations of core AI subsystems as self-contained Jupyter notebooks. It provides from-scratch constructions of foundational architectures including a complete Transformer model built from the original paper specification, a denoising diffusion probabilistic model for image generation, and a ReAct-style autonomous agent framework that equips an LLM with tools for planning and multi-step task execution. The project distinguishes itself by covering the full lifecycle of modern AI systems through hands-on implementa

VLMEvalKit is a vision-language model evaluation framework and inference engine designed to run standardized benchmarks and measure model accuracy across diverse visual datasets. It serves as a multimodal model benchmark and performance toolkit for calculating metrics and comparing model responses. The toolkit includes a specialized visual reasoning evaluator that uses adversarial samples to distinguish actual image understanding from reliance on language patterns. It also provides capabilities for image generation evaluation, testing a model's ability to create or modify visuals based on tex

Lit is a machine learning interpretability framework and model debugging tool designed to analyze model behavior and performance. It serves as an interpretability dashboard for large language models and a general performance analyzer for text, image, and tabular datasets. The project distinguishes itself through a comprehensive suite of interpretability tools, including salience map generation for feature attribution, the creation of synthetic and counterfactual examples to test robustness, and the projection of high-dimensional embeddings into visual spaces via UMAP or PCA. It further enable

This project is a collection of structured study notes and notebooks serving as an educational resource for deep learning and neural network fundamentals. It provides a technical reference for implementing machine learning theory, covering everything from basic network design to the construction of advanced architectures. The material specifically focuses on the implementation of convolutional neural networks for computer vision and sequence models for natural language processing. It includes detailed guidance on building object detection systems, face recognition, and speech transcription mo

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.