Awesome GitHub RepositoriesMachine Learning Classification

micrograd is a scalar autograd engine and minimal neural network library. It implements a system for reverse-mode automatic differentiation over a dynamic graph of scalar operations to calculate gradients. The project includes a computation graph visualizer that generates representations of data flow and gradient propagation. It provides a set of tools for constructing and training multi-layer perceptrons using an API modeled after PyTorch. The library covers the fundamentals of backpropagation and neural network construction, specifically for binary classification tasks. This includes the i

This repository is a comprehensive collection of instructional guides and practical examples for Python development, focusing on machine learning, data science, and web scraping. It provides implementations for neural networks, reinforcement learning algorithms, and deep learning architectures using PyTorch, alongside detailed manuals for scientific computing and data visualization. The project distinguishes itself by offering specialized tutorials on concurrent programming to optimize CPU performance and guides for setting up Linux development environments. It covers the implementation of ad

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

Pattern is a Python web mining library that functions as an HTML web scraper, a natural language processing toolkit, and a network analysis tool. It provides a mathematical framework for categorizing datasets through a vector space model library. The project enables the extraction of structured data from web services and the creation of searchable web content indexes. It processes unstructured text using sentiment analysis, part-of-speech tagging, and n-gram searching. The library covers machine learning classification through the training of models using perceptron algorithms and support ve

This project is a collection of educational resources and instructional guides for learning deep learning and neural network implementation using TensorFlow. It provides a structured set of tutorials and notebooks written in Chinese, covering supervised and unsupervised learning tasks. The material focuses on practical implementations of diverse neural network architectures, including convolutional, recurrent, and autoencoder networks. It includes specific training content for computer vision, natural language processing, and generative models. The coverage extends to specialized network arc

SerpentAI is a game AI development kit and computer vision framework designed for building autonomous agents that interact with video games. It serves as a game input automation tool and a machine learning model integration engine, allowing developers to create agents that perceive game states and execute actions. The framework utilizes a plugin-based agent architecture to provide modular extensions for game-specific logic and behaviors. It features a specialized system for training, bundling, and deploying machine learning classifiers to recognize visual contexts and game states in real time

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

The TensorFlow Cookbook is a collection of code examples and recipes for building, training, and deploying machine learning models using TensorFlow. It covers the full model lifecycle, from constructing neural networks and training them with configurable parameters to packaging trained models for production deployment with unit tests and multi-device support. The project also integrates TensorBoard for logging and visualizing computational graphs, scalar summaries, and histograms during training. The cookbook demonstrates a wide range of machine learning techniques, including convolutional ne

This is a comprehensive deep learning course delivered entirely through Jupyter Notebooks, designed to teach neural network construction using TensorFlow 2.x. The curriculum follows a sequential-model-first pedagogy, introducing the Sequential API before moving to functional and subclassing approaches, and covers the full spectrum of model building from regression and classification through convolutional neural networks, natural language processing, and time series forecasting. The course is structured around a checkpoint-based training workflow that saves the best model weights during traini

This project is a collection of educational Jupyter Notebooks providing tutorials on neural network construction and tensor operations using the TensorFlow framework. It serves as a machine learning educational repository and implementation guide for deep learning students. The suite focuses on specific advanced architectures, including convolutional networks for image classification, residual networks with skip connections for training stability, and variational autoencoders for generative modeling and data synthesis. It also includes guides for building denoising and deep autoencoders to pe

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

Dieses Projekt ist eine umfassende Bildungsressource für Machine Learning und eine Tutorial-Reihe, die als Sammlung interaktiver Jupyter Notebooks bereitgestellt wird. Es bietet praktische Python-Implementierungen für den gesamten Machine-Learning-Lebenszyklus und deckt überwachtes (supervised) und unüberwachtes (unsupervised) Lernen, Deep Learning sowie Reinforcement Learning ab. Die Ressource zeichnet sich durch detaillierte Implementierungsanleitungen für komplexe Architekturen aus, darunter Transformer, Generative Adversarial Networks (GANs) und Convolutional Neural Networks (CNNs). Zudem enthält sie spezialisierte Kursmaterialien für die Entwicklung von Reinforcement-Learning-Agenten mittels Q-Learning und Deep Q-Networks in simulierten Umgebungen. Die Inhalte decken ein breites Spektrum an Data-Science-Fähigkeiten ab, einschließlich Data-Engineering-Pipelines, Feature-Encoding und Dimensionsreduktion. Es bietet umfangreiches Material zur Modellevaluierung durch Kreuzvalidierung und diagnostische Metriken sowie fortgeschrittene Themen wie Natural Language Processing (NLP), Sentiment-Analyse und generative KI. Der gesamte Lehrplan ist für die interaktive Ausführung in Jupyter Notebooks konzipiert und kombiniert ausführbaren Code, Rich Text und Visualisierungen.

Dieses Projekt bietet eine übersetzte Version der Anleitungen und API-Referenzen der Machine-Learning-Bibliothek scikit-learn für chinesischsprachige Nutzer. Es dient als lokalisierte Wissensdatenbank und technische Referenz für die Implementierung prädiktiver Datenanalysen und statistischer Modellierung unter Verwendung eines Python-basierten Toolkits. Die Ressource deckt die Implementierung von überwachtem Lernen ab, einschließlich Klassifizierungs- und Regressionsaufgaben, sowie Workflows für unüberwachtes Lernen zur Mustererkennung und Anomalieerkennung. Zudem bietet sie Anleitungen zur Data-Science-Ausbildung, mit speziellem Fokus auf die Nutzung von scikit-learn für Machine Learning. Die Dokumentation enthält detaillierte Anweisungen zur Datenvorverarbeitung, Dimensionsreduktion und Feature-Selektion. Sie erläutert zudem die Modellevaluierung und -optimierung durch Leistungsmetriken, Hyperparameter-Optimierung und Generalisierungsvalidierung sowie die Verwendung von Vorhersage-Pipelines und Natural-Language-Processing-Dienstprogrammen.

cuml ist eine GPU-beschleunigte Machine-Learning-Bibliothek und ein Framework, das CUDA nutzt, um die Vorverarbeitung tabellarischer Daten und die Modellausführung zu beschleunigen. Es bietet eine Suite von Tools zum Trainieren und Bereitstellen von Klassifizierungs-, Regressions- und Clustering-Modellen auf NVIDIA-GPUs und GPU-Clustern. Die Bibliothek ist auf Skalierbarkeit ausgelegt und bietet eine verteilte GPU-Machine-Learning-Umgebung, die Berechnungen und Daten über mehrere Hardware-Beschleuniger und Knoten hinweg verteilen kann, um Datensätze zu verarbeiten, die den Speicher eines einzelnen Geräts überschreiten. Sie spiegelt Standard-Estimator-Schnittstellen wider, um den Austausch von CPU-basierten Modellen durch GPU-beschleunigte Versionen innerhalb bestehender Workflows zu ermöglichen. Das Projekt deckt ein breites Spektrum an Machine-Learning-Funktionen ab, einschließlich überwachtem Lernen, unüberwachtem Clustering, Nearest-Neighbor-Suche und hochdimensionaler Dimensionsreduktion. Es enthält zudem hardwarebeschleunigte Vorverarbeitung tabellarischer Daten für Feature-Skalierung und -Kodierung, Text-Feature-Extraktion, Zeitreihenanalyse und Erklärbarkeit von Modellvorhersagen. Unterstützende Hilfsmittel umfassen Tools zur Generierung synthetischer Datensätze, zur Serialisierung des Modellzustands und zur Berechnung von Modell-Performance-Metriken.

KnowledgeGraphData is a collection of structured datasets and corpora designed to provide a foundational layer for cognitive intelligence and artificial intelligence systems. It primarily consists of large-scale Chinese knowledge graph datasets, including entity-relation data and NLP training sets used to drive semantic understanding and automated question answering. The project focuses on the construction and export of massive entity-attribute-value graphs, organizing knowledge into portable formats. It provides specialized domain partitioning to tailor information retrieval for professional

opencv4nodejs ist eine Reihe von JavaScript-Wrappern und ein natives C++-Addon, das Node.js-Bindings für die OpenCV-Bibliothek bereitstellt. Es fungiert als Computer-Vision-Bibliothek und Bildverarbeitungs-Framework, das leistungsstarke C++-Algorithmen für eine JavaScript-Umgebung verfügbar macht. Das Projekt ermöglicht die Ausführung von Vision-Algorithmen zur Gesichtserkennung, Objektverfolgung und Analyse visueller Daten unter Verwendung tiefer neuronaler Netze. Es enthält Funktionen für die Datenmusterklassifizierung, Texterkennung und die Identifizierung von Gesichtsmerkmalen und Gesten. Das Framework deckt eine breite Palette an Funktionen ab, einschließlich automatisierter Bildverarbeitung, optischer Zeichenerkennung und Echtzeit-Videoanalyse. Es bietet Tools für Matrix-Arithmetik-Operationen, Pixeldaten-Zugriff sowie die Verwaltung von Bilddateien und Live-Video-Capturing. Das Ressourcenmanagement wird durch asynchrone Aufgabenausführung und externes Speicher-Tracking gehandhabt, um die Reaktionsfähigkeit der Event-Loop aufrechtzuerhalten.

Dieses Projekt ist ein Framework für Named Entity Recognition und ein auf TensorFlow basierendes Natural-Language-Processing-Modell. Es bietet eine Pipeline zur Anpassung vortrainierter Sprachmodelle an spezifische Entitätserkennungs- und Textklassifizierungsaufgaben. Das System implementiert eine Sequenz-Labeling-Architektur, die transformer-basierte Embeddings mit bidirektionaler Sequenzmodellierung und Conditional-Random-Field-Dekodierung kombiniert. Es enthält Tools zum Fine-Tuning von Modellgewichten und zum Trainieren des Netzwerks, um Entitäten innerhalb unstrukturierter Texte zu identifizieren und zu kategorisieren. Das Framework enthält zudem eine Client-Server-Architektur, die trainierte Modelle über eine HTTP-API bereitstellt. Dies ermöglicht Remote-Inferenz, Named-Entity-Vorhersage und Textdokumentklassifizierung über eine Netzwerkschnittstelle.

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.

Spark NLP is a toolkit for scalable text analysis and machine learning built on the Apache Spark distributed computing framework. It provides a multimodal machine learning framework and a distributed pipeline system for sequencing annotators to process large-scale linguistic data. The library includes a transformer text processor for generating contextual vector embeddings and a dedicated inference engine for managing large language models. The project distinguishes itself through its ability to process heterogeneous data types, including text, audio, and images, within a unified vision-langu