Awesome GitHub RepositoriesHigh-Dimensional Projections

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.

VisualDL is a deep learning visualization toolkit and experiment tracking dashboard. It provides a web-based interface for monitoring training metrics, analyzing high-dimensional data, and rendering model architectures through static and dynamic graphs. The toolkit serves as a performance profiler to identify execution bottlenecks and optimize resource usage. It also functions as a data analyzer that uses projection algorithms to identify relationships between points in complex datasets. Capabilities include tracking training metrics via scalars and histograms, comparing multiple experiments

Embedding Atlas هي واجهة تعتمد على الويب لعرض تضمينات المتجهات عالية الأبعاد وتحليل مجموعات البيانات المعقدة من خلال التجميع المرئي التفاعلي. تعمل كمحلل بيانات عالي الأبعاد يُستخدم لاكتشاف الاتجاهات وأنماط الكثافة، وتعمل كمستكشف لتشابه المتجهات لتحديد نقاط البيانات المتجاورة ضمن مجموعات بيانات التضمين واسعة النطاق. يوفر المشروع لوحة تحكم بيانات متعددة الوسائط ومتزامنة تربط البيانات الجدولية بالصور، والصوت، والنصوص. يستخدم العرض المسرّع بالأجهزة لعرض ملايين نقاط التضمين ويستخدم إسقاط الخرائط عالي الأبعاد للكشف عن هياكل البيانات العالمية والمجموعات. تغطي مجموعة الأدوات مجموعة واسعة من الإمكانيات التحليلية، بما في ذلك البحث عن التشابه في الوقت الفعلي، والفهرسة المكانية للجيران الأقرب، ومزامنة حالة التصفية المتقاطعة عبر لوحات التحكم المرتبطة. كما تتضمن واجهات لاستكشاف البيانات المؤتمت، مما يسمح للمتحكمات بتنفيذ الاستعلامات وتحديث المخططات المرئية برمجياً.

Lucid هي مجموعة أدوات قابلية التفسير (interpretability) لـ TensorFlow ومكتبة تصور مصممة لتحليل التمثيلات الداخلية للشبكات العصبية. تعمل كإطار عمل تحسين قائم على التدرج يولد صوراً وأطالس للكشف عن الميزات التي تعلمتها عصبونات وطبقات معينة. تمكن المكتبة من إنشاء أطالس التنشيط وربط تنشيطات الشبكة عالية الأبعاد في مساحات منخفضة الأبعاد لدراسة سلوك النموذج. تستخدم معلمات الصور القابلة للاشتقاق لتحسين المدخلات المرئية التي تنشط مكونات الشبكة إلى أقصى حد. يغطي النظام مجموعة واسعة من البنية التحتية لقابلية التفسير، بما في ذلك تعيين توزيع التنشيط وأبحاث تصور الميزات. كما يتضمن أدوات لاستيراد النماذج المدربة مسبقاً وحفظ أوزان الشبكة للتحليل المستمر.

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.

Pywonderland هي مكتبة تصور رياضي بلغة Python وإطار عمل للهندسة الحسابية مصمم لعرض الكائنات الهندسية والجبرية والطوبولوجية. توفر مجموعة من الأدوات لإنشاء صور ورسوم متحركة لهياكل رياضية معقدة من خلال الحوسبة الرمزية والتحليل العددي. يتميز المشروع بمجموعات أدوات متخصصة لعرض القياسات الزائدية (hyperbolic isometries) في قرص Poincaré والفضاء العلوي، وإسقاط أنظمة الجذور عالية الأبعاد على مستويات Coxeter، وحساب الكاوتيكات (catacaustics) للمنحنيات المستوية البارامترية والضمنية. كما يتضمن خط أنابيب عرض يستخدم خوارزمية Todd-Coxeter لإنتاج بيانات متعددة السطوح ثلاثية الأبعاد لوصف المشهد الخارجي في POV-Ray. تغطي المكتبة مجموعة واسعة من المحاكاة الرياضية، بما في ذلك الميكانيكا السماوية لحلول المدارات الثلاثية الأجسام، والهندسة المتقطعة لديناميكيات البلياردو وتعبئة الدوائر، والتبليط الخوارزمي لألماس Aztec. كما تدعم إنشاء رسوم متحركة GIF عالية الإطارات للأوتوماتا الخلوية والمتاهات.