Awesome GitHub RepositoriesLinear Regression Implementations

This project is an open-source, interactive educational platform designed to teach deep learning through a comprehensive, code-first curriculum. It provides a structured learning path that covers foundational mathematics, modern neural network architectures, and practical optimization techniques, enabling practitioners to master complex artificial intelligence concepts through hands-on experimentation. The platform distinguishes itself by integrating technical explanations with executable Jupyter notebooks. This design allows readers to modify code and hyperparameters in real-time, facilitati

This project is a collection of educational examples and code for implementing deep learning architectures using the PyTorch framework. It serves as a tutorial and implementation guide for building various neural network architectures for machine learning tasks. The project provides practical implementations for computer vision, including image classification and neural style transfer, as well as natural language processing examples for building sequence models and language predictors. It also covers generative models using adversarial and variational networks to synthesize or transform visua

This project provides a collection of machine learning algorithms implemented from scratch in Python. It serves as an educational resource using interactive notebooks that combine code with mathematical explanations to demonstrate the first principles of data science. The repository includes reference implementations for neural networks, such as multilayer perceptrons with backpropagation, and supervised learning models including linear and logistic regression. It also covers unsupervised learning through k-means clustering and Gaussian anomaly detection. The codebase covers a broad range of

Einops is a tensor manipulation library that provides a framework-agnostic interface for reshaping, Einstein summation, and multi-dimensional array operations. It serves as an abstraction layer that works across NumPy, PyTorch, TensorFlow, and JAX, allowing for tensor transformations without changing the API. The library distinguishes itself through a declarative notation system that uses readable string patterns to describe tensor rearrangements and reductions. This approach includes an extended Einstein summation interface that supports multi-letter axis names and a named dimension mapping

This project is a collection of reference implementations for algorithms, mathematics, cryptography, compression, and machine learning written in C#. It serves as an educational library providing standard implementations of sorting, searching, and graph theory algorithms. The repository covers a wide range of computational domains, including combinatorial optimization for constraint satisfaction and scheduling, as well as symmetric and classical cryptographic ciphers. It also provides reference code for lossless data compression techniques and fundamental machine learning primitives such as r

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

IP-Adapter is a framework for conditioning pretrained text-to-image diffusion models to use image prompts as visual guides. It serves as a text-to-image model extension that transforms a text-based diffusion model to accept and process image inputs as primary generation sources. The system implements identity preservation to maintain consistent facial features across multiple outputs using a reference photo. It also enables style transfer workflows to produce image variations that preserve the artistic characteristics of a source image. Capabilities cover multi-modal prompting, including the

PRMLT provides self-contained MATLAB implementations of every algorithm from the Pattern Recognition and Machine Learning textbook by Christopher Bishop. The code reproduces the book's exact formulas and notation, making each implementation directly traceable to the source material for educational verification and study. The implementations cover the full range of core machine learning methods from the textbook, including classification, clustering, regression, density estimation, and neural network algorithms. Each module is self-contained with heavy comments, and the code uses compact, vect

ComfyUIIPAdapterplus ist eine knotenbasierte Erweiterung für ComfyUI, die IPAdapter-Modelle implementiert, um die Bildgenerierung unter Verwendung von Referenzbildern zu steuern. Sie fungiert als Bild-Prompting-Tool und Stable-Diffusion-Bildadapter, der es ermöglicht, Referenzdateien als visuelle Prompts zur Steuerung von Stil, Komposition und Subjektidentität zu verwenden. Das Projekt bietet spezialisierte Funktionen zur Wahrung der Gesichtsidentität und hochauflösender Merkmale über generierte Porträts hinweg. Es ermöglicht die Übertragung visueller Eigenschaften und künstlerischer Stile von Referenzbildern sowie die Extraktion räumlicher Layouts, um die Anordnung von Objekten in neuen Generationen zu steuern. Die Erweiterung deckt breite Funktionsbereiche ab, einschließlich KI-Bildkonditionierung, konsistenter Charaktergenerierung und Bildkompositionskontrolle.

Flashlight ist eine eigenständige C++-Bibliothek für maschinelles Lernen und Tensor-Berechnungen, die zum Erstellen und Trainieren neuronaler Netze verwendet wird. Sie fungiert als umfassendes Framework für neuronale Netze und Engine für automatische Differenzierung und bietet Werkzeuge zur Konstruktion von Berechnungsgraphen und zur Berechnung von Gradienten via Backpropagation. Das Projekt dient als Framework für verteiltes Training und nutzt All-Reduce-Operationen zur Synchronisation von Gradienten und Parametern über mehrere Rechenknoten und Geräte hinweg. Es zeichnet sich durch eine tiefe Integration von leistungsstarker Tensor-Manipulation, nativer Interoperabilität mit Gerätespeichern und einem System zur Synchronisation von Gewichten über verteilte Worker aus, um das Training großskaliger Modelle zu beschleunigen. Das Framework deckt eine breite Palette an Deep-Learning-Funktionen ab, einschließlich modularer Schichtkomposition für den Entwurf komplexer Architekturen wie Residual-Blöcke und rekurrente Zellen. Es bietet umfangreiche Datenmanagement-Utilities für Ingestion und Prefetching sowie Serialisierungssysteme zur Persistierung von Modellzuständen. Zusätzlich enthält es eine Suite an Überwachungs- und Observability-Tools zur Verfolgung von Trainingsmetriken und zur Messung von Sequenzfehlern. Die Bibliothek ist in C++ implementiert.

Flashlight ist eine C++-Bibliothek für maschinelles Lernen und ein Deep-Learning-Framework zur Erstellung und zum Training neuronaler Netze. Es fungiert als Tensor-Manipulationsbibliothek und Engine für automatische Differenzierung, die Operationen verfolgt, um Gradienten via Backpropagation für die Modelloptimierung zu berechnen. Das Projekt zeichnet sich durch seine Rolle als Framework für verteiltes Training aus, das All-Reduce-Gradientensynchronisation und verteilte Umgebungen nutzt, um Machine-Learning-Workloads über mehrere Nodes und Geräte hinweg zu skalieren. Es verfügt über eine Backend-agnostische Speicherschnittstelle und RAII-basiertes Management, um Tensor-Operationen von der physischen Hardware zu entkoppeln. Das Framework deckt ein breites Funktionsspektrum ab, einschließlich der Konstruktion neuronaler Netzwerkarchitekturen mit konvolutiven, linearen und rekurrenten Schichten. Es bietet umfangreiche Utilities für Tensor-Algebra, Dataset-Management und Batching, versionierte Binärserialisierung für Modellzustände sowie Überwachungswerkzeuge zur Verfolgung von Trainingsmetriken und Speicherauslastung.

Dieses Projekt ist eine umfassende Lehrressource und ein Kurs zum Aufbau neuronaler Netze mit PyTorch. Es deckt die grundlegenden Bausteine des Deep Learning ab, einschließlich Tensor-Manipulation, automatischer Differenzierung und der Konstruktion modularer Komponenten für neuronale Netze. Das Repository dient als technischer Leitfaden für verschiedene spezialisierte Bereiche. Es bietet Implementierungsdetails für Computer-Vision-Aufgaben wie Bildklassifizierung, Objekterkennung und semantische Segmentierung sowie Workflows für die Verarbeitung natürlicher Sprache (NLP) mit Transformern, rekurrenten Netzen und generativen Modellen. Zudem enthält es eine Referenz für generative KI, mit Fokus auf die Synthese von Bildern mittels Diffusionsmodellen und adversarialen Netzwerken. Das Material erstreckt sich auf Modelloptimierung und Deployment-Pipelines. Es behandelt Techniken zur Reduzierung der Modellgröße und zur Erhöhung der Inferenzgeschwindigkeit durch Quantisierung und den Export von Modellen in Formate wie ONNX und TensorRT. Weitere Kompetenzbereiche umfassen Data Engineering für paralleles Laden, Modellevaluierung mittels benutzerdefinierter Metriken und das Deployment von Open-Source Large Language Models. Das Projekt wird primär als eine Reihe von Jupyter Notebooks bereitgestellt.

Dieses Projekt ist ein selbstüberwachtes kontrastives Lern-Framework, das darauf ausgelegt ist, Deep-Learning-Modelle darauf zu trainieren, visuelle Repräsentationen aus Bildern zu lernen, ohne menschlich bereitgestellte Labels zu verwenden. Es bietet ein System zur Entwicklung vortrainierter visueller Repräsentationsmodelle, die für nachgelagerte Computer-Vision-Aufgaben angepasst werden können. Das Framework enthält Tools für semi-überwachte Bildklassifizierung, die große ungelabelte Datensätze mit kleinen gelabelten Sets kombiniert, um die Genauigkeit zu verbessern. Es bietet zudem ein Linear-Probe-Evaluierungstool, um die Qualität gelernter Bildmerkmale zu bewerten, indem ein einfacher linearer Klassifikator auf Basis eingefrorener Repräsentationen trainiert wird. Die Codebasis deckt verteiltes Deep-Learning-Training und Hardwarebeschleunigung ab, um große Batch-Größen zu handhaben, neben Optimierungsprimitiven wie Cosine-Decay-Learning-Rate-Scheduling und Weight-Decay-Regularisierung. Sie bietet zudem Dienstprogramme für das Modellmanagement, einschließlich der Konvertierung vortrainierter Checkpoints zwischen verschiedenen Deep-Learning-Framework-Formaten und Tools für das Model-Deployment. Die Implementierung wird als Sammlung von Jupyter Notebooks bereitgestellt.

DeepLearningZeroToAll ist eine umfassende Bildungsressource und Implementierungssammlung mit Fokus auf Deep Learning und Machine Learning. Sie bietet einen strukturierten Lernpfad unter Verwendung von TensorFlow, um von grundlegenden linearen Modellen zu komplexen neuronalen Netzwerkarchitekturen zu gelangen. Das Projekt zeichnet sich durch seine praktischen Implementierungen verschiedener Netzwerktypen aus, darunter mehrschichtige Perzeptrone für Logikprobleme, Convolutional Neural Networks für räumliche Daten und Bilderkennung sowie Recurrent Neural Networks mit LSTM-Zellen für Zeitreihenprognosen und Zeichenfolgenvorhersagen. Es enthält zudem detaillierte Demonstrationen zur Modellregularisierung durch Batch-Normalisierung und Dropout-Techniken. Das Repository deckt ein breites Spektrum an Funktionen ab, einschließlich überwachtem Machine Learning mit linearer und logistischer Regression, Data Engineering für Tensor-Manipulation und Skalierung sowie Modelloptimierung durch Gradient Descent und manuelle Backpropagation-Berechnungen. Es enthält zudem Tools für die Modellevaluierung, Persistenz von Gewichten und Trainings-Observability durch Kostenfunktionsvisualisierung und Metrik-Logging. Die Inhalte werden über eine Reihe von Jupyter Notebooks vermittelt.

Dieses Projekt ist eine Sammlung von TensorFlow-Machine-Learning-Beispielen, die Referenzimplementierungen für verschiedene neuronale Netzwerkparadigmen bereitstellen. Es deckt überwachte (supervised), unüberwachte (unsupervised), verstärkende (reinforcement) und sequentielle Lernmodelle ab. Das Repository enthält Implementierungen für Convolutional Neural Networks (CNNs), die auf Bildklassifizierung und -ranking fokussiert sind, sowie Recurrent Neural Networks (RNNs) für Zeitreihenprognosen und Sequence-to-Sequence-Übersetzung. Es bietet zudem Beispiele für Reinforcement-Learning-Agenten, die durch Belohnungsoptimierung trainiert werden, sowie unüberwachte Lerntechniken wie Autoencoder und selbstorganisierende Karten für Daten-Clustering. Zusätzliche Funktionen decken überwachte Regression und Klassifizierung, semantische Embedding-Generierung und die Verwendung von Hidden-Markov-Modellen für sequentielle Datenmodellierung ab. Das Projekt enthält zudem Utilities für das Management von Tensor-Operationen und die Visualisierung der Modellleistung über Dashboards. Der Inhalt wird als eine Reihe von Jupyter Notebooks bereitgestellt.

PerceptualSimilarity is a deep learning framework designed to quantify and evaluate the perceptual distance between images. It provides a system for measuring how similar two images or image patches appear to human vision by using deep feature representations instead of pixel-wise differences. The project implements a differentiable distance metric that functions as a loss function, allowing image pixels to be optimized via backpropagation to reach a target visual appearance. It includes a trainable linear layer that can be applied to frozen deep features to learn weighted distance metrics al

DeepSeek-VL is a multimodal large language model and image-to-text reasoning engine. It functions as a vision-language model and visual question answering system that integrates visual perception with linguistic reasoning to understand and describe images. The project enables multimodal image understanding and document image analysis, specifically processing screenshots of web pages and technical diagrams. It provides capabilities for visual conversational AI, allowing users to interact with visual data to extract insights and perform complex reasoning across different types of visual informa

This is a structured deep learning curriculum for programmers, delivered as a collection of Jupyter notebooks. It teaches the fundamentals of training neural networks for computer vision, natural language processing, tabular data analysis, and collaborative filtering using PyTorch and the fastai library. The course is designed to be hands-on, guiding learners from building a training loop from scratch to fine-tuning pretrained models for a variety of practical tasks. The curriculum distinguishes itself by covering the full lifecycle of a deep learning project, from data preparation and augmen