Awesome GitHub RepositoriesDimensionality Reduction

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 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

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.

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.

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.