Awesome GitHub RepositoriesSupervised Classification

fastText is a library and framework for word embedding generation, text vectorization, and supervised text classification. It provides tools to transform raw text into fixed-length vector representations and to train models that assign category labels to sentences or documents. The system utilizes subword-based vectorization and character n-gram embeddings, allowing it to generate meaningful vectors for words that were not present during training. To manage resource usage, it includes a quantized language model implementation that employs product quantization and dimensionality reduction to d

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 is a Python machine learning library featuring a collection of core algorithms implemented from scratch to demonstrate foundational AI concepts. It provides a comprehensive toolkit for supervised learning, unsupervised learning, and neural network development. The project is distinguished by its custom implementation of a neural network framework, which includes multi-layer perceptrons with backpropagation, gradient descent, and weight regularization. It also includes a specialized anomaly detection toolkit that identifies outliers and rare events using Gaussian probability distributions

This project is a machine learning educational resource and implementation guide for Python. It provides a collection of executable code and notebooks that demonstrate predictive modeling, data analysis workflows, and the implementation of various machine learning algorithms. The repository features practical examples of classification, regression, and clustering tasks using Scikit-Learn, alongside tutorials for building and training deep learning architectures with TensorFlow. These include implementations of convolutional and recurrent networks. The content covers a broad range of capabili

Smile is a comprehensive JVM machine learning library and statistical computing toolkit. It provides a suite of algorithms for classification, regression, and clustering, implemented natively for Java, Scala, and Kotlin. The project also functions as a deep learning framework, a natural language processing library, and an inference engine for large language models. The library distinguishes itself through GPU acceleration via LibTorch bindings and support for the ONNX model interchange format. It includes specialized capabilities for large language model inference, featuring Byte-Pair Encodin

Lihang هي مكتبة وإطار عمل لخوارزميات التعلم الإحصائي توفر تطبيقات لنماذج التعلم الآلي الخاضعة للإشراف وغير الخاضعة للإشراف. تعمل كمستودع مرجعي يترجم نظريات التعلم الإحصائي إلى كود قابل للتنفيذ لتصنيف البيانات والتعرف على الأنماط. يتميز المشروع بأدوات متخصصة لتنفيذ النماذج الاحتمالية، باستخدام تقدير الاحتمالية والطرق البايزية لتحديد معلمات النموذج المثلى. ويتضمن أداة لتسمية البيانات التسلسلية لتحديد الأنماط في تسلسلات البيانات المرتبة ويدعم التصنيف الثنائي الخطي وغير الخطي. يغطي إطار العمل مجموعة واسعة من قدرات التعلم الآلي، بما في ذلك تحليل البيانات غير الخاضعة للإشراف للتجميع وتحليل الموضوع، بالإضافة إلى خط معالجة للاسترجاع التلقائي للببليوغرافيا الأكاديمية والمواد المرجعية. يدمج المشروع دفاتر ملاحظات تفاعلية لتحليل البيانات التكراري والتحقق من النموذج.

هذا المشروع عبارة عن إطار عمل ومجموعة تنفيذ مبنية على PyTorch للتصنيف الخاضع للإشراف للنصوص الصينية. يعمل كمصنف نصوص للتعلم العميق مصمم لأتمتة عملية تصنيف وتنظيم مستندات اللغة الصينية في فئات محددة مسبقاً. يوفر إطار العمل مجموعة من معماريات الشبكات العصبية، بما في ذلك TextCNN و Transformer و FastText. ويسمح باختيار ونمذجة طوبولوجيات مختلفة للنماذج من خلال تنفيذ معياري، مما يتيح تقييم نماذج تسلسلية مختلفة على مجموعات بيانات محددة. يغطي النظام سير عمل كاملاً للتعلم العميق في معالجة اللغات الطبيعية، مستخدماً تحويل النصوص إلى متجهات (vectorization) بناءً على التضمين (embedding) ونمذجة التسلسل الموزونة بالانتباه (attention-weighted) لاستخراج الأنماط الدلالية من النصوص الخام.

هذا المشروع عبارة عن مكتبة تعلم آلي توفر مجموعة من التنفيذات لخوارزميات التعلم الخاضع للإشراف وغير الخاضع للإشراف. يعمل كإطار عمل للتعلم العميق، ومجموعة مصنفات إحصائية، ومجموعة أدوات للتعلم غير الخاضع للإشراف وتقليل الأبعاد. تمكّن المكتبة من بناء الشبكات العصبية، بما في ذلك الإدراكات متعددة الطبقات والشبكات التلافيفية للتعرف على الأنماط. كما توفر أدوات لإجراء تحليل المكونات الرئيسية وتعلم المتشعبات (manifold learning) لتصور مجموعات البيانات عالية الأبعاد، إلى جانب مجموعة من خوارزميات التجميع التي تجمع البيانات غير المصنفة من خلال التقسيم التكراري. يغطي المشروع مجموعة واسعة من إمكانيات النمذجة التنبؤية، بما في ذلك مهام التصنيف والانحدار باستخدام أشجار القرار، وأقرب الجيران (k-nearest neighbors)، ومصنفات Bayes، وآلات ناقل الدعم (support vector machines)، وانحدار Ridge. كما يتضمن أدوات لسير عمل تصنيف الصور وتحليل البيانات غير المصنفة.

mlpack is a header-only C++ machine learning library that defines matrix types as compile-time templates, enabling flexible numeric precision and memory layout without runtime overhead. Its core identity is built around a template metaprogramming architecture that allows algorithms to be included selectively as independent modules, reducing binary size, and supports compile-time serialization of neural network parameters by deducing matrix types and structure at compile time. The library distinguishes itself through a multi-language binding framework that automatically generates bindings for

Orange3 is a visual data mining platform that provides an interactive canvas for building data analysis workflows without writing code. At its core, it offers a widget-based visual programming environment where users connect configurable components to perform data preprocessing, machine learning model training, statistical evaluation, and interactive visualization. The platform is built on NumPy-backed data tables with domain descriptors that define variable names, types, and roles, and includes a lazy SQL query proxy for working with database tables without loading all data into memory. The

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.

يوفر هذا المشروع نسخة مترجمة من أدلة مكتبة تعلم الآلة scikit-learn ومراجع واجهة برمجة التطبيقات للمتحدثين باللغة الصينية. يعمل كقاعدة معرفية مترجمة ومرجع تقني لتنفيذ تحليل البيانات التنبؤي والنمذجة الإحصائية باستخدام مجموعة أدوات قائمة على Python. يغطي المورد تنفيذ التعلم الخاضع للإشراف، بما في ذلك مهام التصنيف والانحدار، وسير عمل التعلم غير الخاضع للإشراف لاكتشاف الأنماط وكشف الشذوذ. كما يوفر توجيهاً حول تعليم علم البيانات، مع التركيز بشكل خاص على استخدام scikit-learn لتعلم الآلة. تتضمن الوثائق تعليمات مفصلة حول معالجة البيانات مسبقاً، وتقليل الأبعاد، واختيار الميزات. كما تفصل تقييم النماذج وضبطها من خلال مقاييس الأداء، وتحسين المعلمات الفائقة، والتحقق من التعميم، بالإضافة إلى استخدام خطوط أنابيب التنبؤ وأدوات معالجة اللغات الطبيعية.

Linfa هو إطار عمل لتعلم الآلة الكلاسيكي ومجموعة تعلم إحصائي تم تنفيذها بلغة Rust. توفر المجموعة مجموعة من الخوارزميات للتعلم الخاضع للإشراف وغير الخاضع للإشراف، مع التركيز على الأساليب الإحصائية التقليدية مثل الانحدار، والتجميع، وأشجار القرار. تتميز مجموعة الأدوات بقدرتها على التجميع في WebAssembly، مما يتيح تنفيذ النماذج التحليلية داخل بيئات المتصفح. تستخدم المجموعة واجهة خوارزمية قائمة على السمات (trait-based) لتوحيد عملية التدريب والتنبؤ عبر نماذجها المختلفة. تغطي المكتبة مجموعة واسعة من الإمكانيات، بما في ذلك التصنيف الخاضع للإشراف وانحدار القيم المستمرة. توفر المكتبة التجميع غير الخاضع للإشراف، وطرق التجميع (ensemble) لتجميع النماذج، ومعالجة الإشارات من خلال تحليل المكونات المستقلة. تتضمن المجموعة أيضاً أدوات واسعة النطاق لمعالجة البيانات مسبقاً لتطبيع الميزات، وتجهيز النصوص، وتقليل الأبعاد باستخدام PCA و t-SNE. يتم توفير أدوات إضافية لإدارة البيانات، بما في ذلك استيراد CSV وتوليد مجموعات البيانات الاصطناعية، بالإضافة إلى أدوات تقييم النماذج مثل مصفوفات الارتباك ومقاييس التحقق المتبادل.

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.

TensorFlow-World هي مجموعة من البرامج التعليمية، وأدلة التنفيذ، وقوالب النماذج لبناء وتدريب نماذج التعلم الآلي باستخدام إطار عمل TensorFlow. تعمل كمورد تعليمي لتصميم بنى التعلم العميق وتنفيذ النماذج التنبؤية. يوفر المشروع أمثلة جاهزة للاستخدام لبناء بنى الشبكات العصبية والمصنفات الخطية. ويتضمن أدلة حول إجراء عمليات الـ tensor، والتمايز التلقائي، وتحسين الانحدار المتدرج. تغطي المواد مجموعة من قدرات التعلم الآلي، بما في ذلك استخدام تجريدات Keras عالية المستوى لتكوين النموذج، وتنفيذ مصنفات النواة (kernel classifiers)، وتطوير أنظمة الانحدار والتصنيف.

هذا المشروع عبارة عن مجموعة من أمثلة تعلم الآلة TensorFlow التي توفر تطبيقات مرجعية لنماذج شبكة عصبية مختلفة. يغطي نماذج التعلم الخاضع للإشراف، وغير الخاضع للإشراف، والتعزيزي، والمتسلسل. يتضمن المستودع تطبيقات للشبكات العصبية التلافيفية التي تركز على تصنيف الصور وترتيبها، بالإضافة إلى الشبكات العصبية المتكررة للتنبؤ بالسلاسل الزمنية والترجمة من تسلسل إلى تسلسل. كما يوفر أمثلة لوكلاء التعلم التعزيزي المدربين عبر تحسين المكافأة وتقنيات التعلم غير الخاضع للإشراف مثل أجهزة التشفير التلقائي والخرائط ذاتية التنظيم لتجميع البيانات. تغطي القدرات الإضافية الانحدار والتصنيف الخاضع للإشراف، وتوليد التضمين الدلالي، واستخدام نماذج ماركوف المخفية لنمذجة البيانات المتسلسلة. يتضمن المشروع أيضاً أدوات لإدارة عمليات الموتر وتصور أداء النموذج عبر لوحات المعلومات. يتم تقديم المحتوى كسلسلة من دفاتر Jupyter.

هذا المشروع عبارة عن مجموعة من خوارزميات تعلم الآلة الأساسية والأدوات المنفذة من الصفر بلغة Python. يعمل كمكتبة للتنفيذات الأساسية لنماذج الانحدار والتصنيف والتجميع، مصممة لإظهار الهياكل الرياضية الأساسية لهذه الخوارزميات دون الاعتماد على أطر عمل تعلم الآلة عالية المستوى. يركز المشروع على التنفيذ اليدوي للمنطق الخوارزمي، بما في ذلك الشبكات العصبية مع الانتشار الأمامي وتحديثات الأوزان، بالإضافة إلى نماذج تعلم متنوعة خاضعة للإشراف وغير خاضعة للإشراف. يستخدم NumPy للتحويل المتجهي لإجراء حسابات المصفوفات والعمليات الرياضية على مجموعات البيانات الكبيرة. تغطي مجموعة الأدوات مجموعة واسعة من القدرات، بما في ذلك تقليل الأبعاد عبر تحليل المكونات الرئيسية (PCA) والمعالجة المسبقة للبيانات لمجموعات البيانات الرقمية والصورية. تمتد التنفيذات الخوارزمية عبر الانحدار الخطي والبايزي، وتجميع K-Means، وطرق تصنيف متعددة مثل آلات ناقل الدعم (SVM)، وأشجار القرار، و K-Nearest Neighbors. يتم تسليم المشروع كسلسلة من دفاتر Jupyter.

هذه مكتبة PyTorch لتنفيذ تكميم المتجهات والقياسات لإنشاء تمثيلات كامنة منفصلة في الشبكات العصبية. توفر مجموعة من الوحدات والأدوات لتحويل المتجهات المستمرة إلى رموز منفصلة، مما يدعم معماريات مثل vector quantized variational autoencoders. تتميز المكتبة بآليات متخصصة للحفاظ على صحة وكفاءة دفتر الرموز، بما في ذلك إعادة تهيئة المتجهات العشوائية لمنع انهيار دفتر الرموز وتهيئة مركز k-means لتسريع التقارب. تدعم استراتيجيات تكميم متنوعة مثل التكميم المتبقي المتكرر لدقة أعلى، والتكميم المتوازي متعدد الرؤوس لتقسيم فضاء الميزات الفرعي، والتكميم القياسي المحدود لإنشاء رموز hypercube. تتضمن مجموعة الأدوات وحدة تكميم قابلة للتمايز تستخدم مقدرات straight-through وخدع التدوير لتمكين الانتشار العكسي عبر خطوات التكميم غير القابلة للتمايز. تغطي القدرات الإضافية مطابقة المسافة الزاوية عبر تشابه جيب التمام، والتنظيم المتعامد لترجمة الميزات، وفك تشابك الفضاء الكامن من خلال دفاتر رموز قياسية قابلة للتعلم.

هذا المستودع عبارة عن مجموعة من تطبيقات التعلم الآلي العملية المصممة لتوضيح التحليلات التنبؤية الأساسية، ورؤية الكمبيوتر، وتقنيات معالجة اللغات الطبيعية. يعمل كمورد لتطبيق أطر التعلم الآلي القياسية لحل مشاكل علوم البيانات المتنوعة، بدءاً من التصنيف المؤتمت إلى التعرف المعقد على الأنماط. يتميز المشروع بتقديم أمثلة ملموسة عبر مجالات متعددة، بما في ذلك تطوير الواجهات الحوارية، وتحليل البيانات الجغرافية المكانية، وتنفيذ بنيات التعلم العميق لمعالجة المحتوى المرئي. تركز كل وحدة على منهجيات محددة، مثل تدريب النماذج لتفسير مدخلات المستخدم، والتنبؤ بالاتجاهات الزمنية، وتحديد الكائنات داخل تدفقات الصور أو الفيديو. تغطي المجموعة سطح قدرات واسع، بما في ذلك خطوط أنابيب التعلم الخاضع للإشراف وغير الخاضع للإشراف، والتقدير القائم على الانحدار، وتحسين الشبكة العصبية. تعالج هذه التطبيقات مهام مثل تصنيف أنماط البيانات، وتقدير النتائج الرقمية، وإجراء تحليل مؤتمت على مجموعات البيانات المهيكلة وغير المهيكلة. تم تنظيم المستودع كسلسلة من دفاتر Jupyter التي توفر تطبيقات عملية لسير عمل التعلم الآلي هذه.