Awesome GitHub RepositoriesKernel Density Estimation

This project is an interactive data science environment that combines code execution, rich media visualization, and narrative documentation into a persistent, browser-based platform. It serves as a comprehensive educational resource for scientific computing, providing a framework for iterative data analysis and machine learning prototyping. The environment is distinguished by its focus on high-performance numerical computing, utilizing vectorized array operations and memory-mapped data structures to handle large-scale computations efficiently. It features a unified estimator interface that st

This library is a collection of machine learning algorithms and neural network components implemented from scratch using only NumPy. It serves as an educational toolkit for constructing and experimenting with machine learning architectures, emphasizing a modular approach where algorithms are organized into self-contained, object-oriented classes. The project distinguishes itself by relying exclusively on array-oriented programming to perform mathematical operations, ensuring that all computations are vectorized for performance. By utilizing a standardized interface for forward and backward pa

Statsmodels is a comprehensive Python library designed for statistical modeling, econometric research, and data analysis. It provides a robust framework for estimating and diagnosing a wide range of statistical models, enabling users to perform rigorous hypothesis testing, regression analysis, and complex data exploration within structured environments. The library distinguishes itself through its support for advanced statistical methodologies, including state space representation for dynamic systems and generalized linear frameworks that accommodate non-normal response variables. It offers s

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

ScottPlot is a cross-platform, high-performance charting library for .NET that renders interactive plots across desktop and web GUI frameworks including Windows Forms, WPF, MAUI, Avalonia, Blazor, and WinUI. It provides an optimized rendering engine capable of displaying millions of data points with interactive pan, zoom, and live data streaming, while also supporting image export to formats like PNG and SVG for file output, cloud applications, and notebooks. The library distinguishes itself through a comprehensive set of chart types including scatter, line, bar, pie, heatmap, financial, rada

Anomalib is a PyTorch-based library for visual anomaly detection, offering a modular framework, a comprehensive model zoo, and a benchmarking suite designed for industrial defect detection. It provides a wide range of algorithms—including generative, discriminative, teacher-student, and vision-language approaches—that support unsupervised, few-shot, and zero-shot settings. The library enables deployment through model export to ONNX and OpenVINO for edge devices, and includes a no-code web application for training and inference. It also features a command-line interface for orchestrating multi

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

Vega-Lite is a high-level declarative language for specifying interactive, multi-view visualizations. It compiles a concise JSON specification into a full Vega visualization, automatically inferring scales, axes, and legends from encoding declarations. The grammar-of-graphics encoding maps data fields to visual channels such as position, color, size, and shape, while a multi-view composition grammar enables layered, faceted, concatenated, and repeated layouts. Reactive parameter binding links named parameters to input widgets, selections, and expressions for dynamic updates. The project suppo

This is an interactive notebook-based course that teaches machine learning from Python fundamentals through deep learning and natural language processing. It uses real datasets and multiple frameworks within a structured, hands-on curriculum that combines concise explanations with executable code cells, built-in datasets, and embedded exercise checkpoints. Learning progresses through data preparation and exploration, classical machine learning workflows, computer vision with convolutional neural networks, and natural language processing with deep learning, all delivered as a cohesive progressi

Dieses Projekt ist eine Support-Vector-Machine-Bibliothek, die in C implementiert ist und eine Engine für Klassifizierungs- und Regressionsaufgaben bereitstellt. Sie fungiert als Machine-Learning-Kernel-Bibliothek und statistischer Modell-Validator, der verwendet wird, um Datenpunkte zu kategorisieren und kontinuierliche numerische Werte vorherzusagen. Die Bibliothek ermöglicht die Definition benutzerdefinierter Kernel-Funktionen, um die Ähnlichkeit zwischen Datenpunkten in spezialisierten Datensätzen zu berechnen. Sie enthält zudem Tools für probabilistische Modellierung, wie die Schätzung der Klassenzugehörigkeit, Datendichte und Verteilungsgrenzen. Breite Funktionen decken das Modelltraining für Multi-Class-Datensätze ab, einschließlich des Managements unausgewogener Daten durch gewichtete Loss-Funktionen. Das System bietet Workflows für die Hyperparameter-Auswahl und Modelloptimierung mittels Genauigkeitskonturen und stratifizierter Kreuzvalidierung. Daten-Preprocessing-Utilities für Input-Validierung und Attribut-Skalierung zur Normalisierung von Feature-Größen sind enthalten.

Dieses Projekt ist ein Framework für wissenschaftliches Rechnen im .NET-Ökosystem und bietet eine umfassende Suite von Bibliotheken für numerische Analyse, Statistik und mathematische Optimierung. Es dient als grundlegendes Toolkit für die Entwicklung von Anwendungen in den Bereichen Machine Learning, digitale Signalverarbeitung und Computer Vision. Das Framework bietet spezialisierte Toolkits für das Training und die Bereitstellung prädiktiver Modelle, einschließlich neuronaler Netze, Support Vector Machines und Entscheidungsbäumen. Es zeichnet sich zudem durch tiefe Integrationen für Echtzeit-Bildanalyse aus, wie etwa Objektverfolgung und Gesichtserkennung, ergänzt durch eine dedizierte Bibliothek für digitale Signalverarbeitung zur Erfassung und Filterung von Audio- und Sensorsignalen. Das Funktionsspektrum erstreckt sich auf hochgradige Matrixzerlegung und lineare Algebra, probabilistische Zustandsmodellierung und heuristische Suchalgorithmen. Es deckt zudem eine breite Palette an Datenmanipulations-Dienstprogrammen ab, von Dimensionsreduktion und Normalisierung bis hin zur Organisation räumlicher Daten und Komponenten für wissenschaftliche Visualisierung. Das System enthält Hardware-Integrationscontroller für Kamerakonfiguration, GPIO-Port-Management und spezialisierte Tiefensensor-Hardware.

Dieses Projekt ist ein Framework für die Implementierung und Erforschung von Generative Adversarial Networks (GANs). Es stellt die notwendigen Tools und Hyperparameter bereit, um generative Modelle über verschiedene Datensätze hinweg zu trainieren und zu evaluieren, speziell mit dem Ziel, Ergebnisse aus der akademischen Forschung zu reproduzieren. Das Framework enthält einen Parzen-Dichte-Likelihood-Schätzer zur Berechnung der Log-Likelihood des Modells. Dies ermöglicht die quantitative Bewertung generativer Verteilungen und die Messung der Gesamtleistung des Modells. Die Codebasis deckt Machine-Learning-Forschungsfähigkeiten ab, mit Fokus auf das Training von Adversarial Networks und die Evaluierung synthetischer Datenverteilungen.

DataFrame is a C++ tabular data library and manipulation engine designed for managing heterogeneous data in contiguous memory. It functions as a statistical analysis framework and time series analysis toolkit, providing the means to store, index, and transform multidimensional datasets. The project distinguishes itself through a high-performance execution model that utilizes column-major storage, SIMD-aligned memory allocation, and a thread-pool for parallel computations. It employs a visitor-based algorithm dispatch system and policy-driven transformations to decouple data processing logic f