Awesome GitHub RepositoriesSupervised Classification

fastText is a library and framework for word embedding generation, text vectorization, and supervised text classification. It provides tools to transform raw text into fixed-length vector representations and to train models that assign category labels to sentences or documents. The system utilizes subword-based vectorization and character n-gram embeddings, allowing it to generate meaningful vectors for words that were not present during training. To manage resource usage, it includes a quantized language model implementation that employs product quantization and dimensionality reduction to d

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 is a Python machine learning library featuring a collection of core algorithms implemented from scratch to demonstrate foundational AI concepts. It provides a comprehensive toolkit for supervised learning, unsupervised learning, and neural network development. The project is distinguished by its custom implementation of a neural network framework, which includes multi-layer perceptrons with backpropagation, gradient descent, and weight regularization. It also includes a specialized anomaly detection toolkit that identifies outliers and rare events using Gaussian probability distributions

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

Lihang ist eine Bibliothek und ein Framework für statistische Lernalgorithmen, das Implementierungen von überwachten und unüberwachten Machine-Learning-Modellen bereitstellt. Es fungiert als Referenz-Repository, das statistische Lerntheorien in ausführbaren Code für Datenklassifizierung und Mustererkennung übersetzt. Das Projekt bietet spezialisierte Tools für die Implementierung probabilistischer Modelle unter Verwendung von Likelihood-Schätzung und Bayes-Methoden zur Bestimmung optimaler Modellparameter. Es enthält ein Tool zur sequenziellen Datenmarkierung für die Identifizierung von Mustern in geordneten Datensequenzen und unterstützt sowohl lineare als auch nicht-lineare binäre Klassifizierung. Das Framework deckt ein breites Spektrum an Machine-Learning-Funktionen ab, einschließlich unüberwachter Datenanalyse für Clustering und Themenanalyse sowie eine Pipeline für den automatisierten Abruf akademischer Bibliografien und Referenzmaterialien. Das Projekt integriert interaktive Notebooks für iterative Datenanalyse und Modellverifizierung.

Dieses Projekt ist ein auf PyTorch basierendes Framework und eine Implementierungssuite für die überwachte Klassifizierung chinesischer Texte. Es dient als Deep-Learning-Textklassifikator, der darauf ausgelegt ist, den Prozess der Kennzeichnung und Organisation chinesischsprachiger Dokumente in vordefinierte Kategorien zu automatisieren. Das Framework bietet eine Sammlung neuronaler Netzwerkarchitekturen, darunter TextCNN, Transformer und FastText. Es ermöglicht die Auswahl und das Prototyping verschiedener Modelltopologien durch eine modulare Implementierung, was die Evaluierung unterschiedlicher Sequenzmodelle auf spezifischen Datensätzen ermöglicht. Das System deckt einen vollständigen Deep-Learning-Workflow für Natural Language Processing ab und nutzt Embedding-basierte Textvektorisierung sowie aufmerksamkeitsgewichtete Sequenzmodellierung, um semantische Muster aus Rohtexten zu extrahieren.

Dieses Projekt ist eine Machine-Learning-Bibliothek, die eine Sammlung von Implementierungen für überwachte und unüberwachte Lernalgorithmen bereitstellt. Sie dient als Deep-Learning-Framework, als Sammlung statistischer Klassifikatoren und als Suite von Werkzeugen für unüberwachtes Lernen und Dimensionsreduktion. Die Bibliothek ermöglicht die Konstruktion neuronaler Netze, einschließlich Multi-Layer-Perzeptrons und Convolutional Networks für die Mustererkennung. Sie bietet zudem Werkzeuge zur Durchführung von Hauptkomponentenanalysen (PCA) und Manifold-Learning zur Visualisierung hochdimensionaler Datensätze sowie eine Suite von Clustering-Algorithmen, die unbeschriftete Daten durch iterative Partitionierung gruppieren. Das Projekt deckt ein breites Spektrum an prädiktiven Modellierungsfunktionen ab, einschließlich Klassifizierungs- und Regressionsaufgaben unter Verwendung von Entscheidungsbäumen, k-nächste-Nachbarn, Bayes-Klassifikatoren, Support Vector Machines und Ridge-Regression. Es enthält zudem Werkzeuge für Bildklassifizierungs-Workflows und die Analyse unbeschrifteter Daten.

mlpack is a header-only C++ machine learning library that defines matrix types as compile-time templates, enabling flexible numeric precision and memory layout without runtime overhead. Its core identity is built around a template metaprogramming architecture that allows algorithms to be included selectively as independent modules, reducing binary size, and supports compile-time serialization of neural network parameters by deducing matrix types and structure at compile time. The library distinguishes itself through a multi-language binding framework that automatically generates bindings for

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.

Linfa ist ein Framework für klassisches maschinelles Lernen und eine Suite für statistisches Lernen, die in Rust implementiert ist. Sie bietet eine Sammlung von Algorithmen für überwachtes und unüberwachtes Lernen, die sich auf traditionelle statistische Methoden wie Regression, Clustering und Entscheidungsbäume konzentriert. Das Toolkit zeichnet sich durch seine Fähigkeit aus, in WebAssembly kompiliert zu werden, was es analytischen Modellen ermöglicht, in Browserumgebungen ausgeführt zu werden. Es verwendet eine merkmalsbasierte Algorithmus-Schnittstelle, um den Prozess des Trainings und der Vorhersage über seine verschiedenen Modelle hinweg zu standardisieren. Die Bibliothek deckt ein breites Spektrum an Funktionen ab, einschließlich überwachter Klassifizierung und Regression kontinuierlicher Werte. Sie bietet unüberwachtes Clustering, Ensemble-Methoden für die Modellaggregation und Signalverarbeitung durch unabhängige Komponentenanalyse. Die Suite enthält zudem umfangreiche Datenvorverarbeitungstools für Merkmalsnormalisierung, Textvektorisierung und Dimensionsreduktion mittels PCA und t-SNE. Zusätzliche Dienstprogramme werden für die Datenverwaltung bereitgestellt, einschließlich CSV-Import und Generierung synthetischer Datensätze sowie Tools zur Modellevaluierung wie Konfusionsmatrizen und Kreuzvalidierungsmetriken.

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.

TensorFlow-World ist eine Sammlung von Tutorials, Implementierungsleitfäden und Modell-Templates für das Erstellen und Trainieren von Machine-Learning-Modellen mit dem TensorFlow-Framework. Es dient als Bildungsressource für das Design von Deep-Learning-Architekturen und die Implementierung prädiktiver Modelle. Das Projekt bietet sofort einsatzbereite Beispiele für die Konstruktion neuronaler Netzwerkarchitekturen und linearer Klassifikatoren. Es enthält Anleitungen zur Durchführung von Tensor-Operationen, automatischer Differenzierung und Gradient-Descent-Optimierung. Die Materialien decken eine Reihe von Machine-Learning-Funktionen ab, einschließlich der Nutzung von High-Level-Keras-Abstraktionen für die Modellkomposition, der Implementierung von Kernel-Klassifikatoren sowie der Entwicklung von Regressions- und Klassifikationssystemen.

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.

Dieses Projekt ist eine Sammlung grundlegender Machine-Learning-Algorithmen und Tools, die von Grund auf in Python implementiert wurden. Es dient als Bibliothek von Kernimplementierungen für Regressions-, Klassifizierungs- und Clustering-Modelle, die dazu konzipiert sind, die zugrunde liegenden mathematischen Strukturen dieser Algorithmen zu demonstrieren, ohne sich auf High-Level-Machine-Learning-Frameworks zu verlassen. Das Projekt konzentriert sich auf die manuelle Implementierung algorithmischer Logik, einschließlich neuronaler Netze mit Forward-Propagation und Gewichtsaktualisierungen sowie verschiedener überwachter und unüberwachter Lernmodelle. Es nutzt NumPy für die Vektorisierung, um Matrixberechnungen und mathematische Operationen auf großen Datensätzen durchzuführen. Das Toolkit deckt ein breites Spektrum an Fähigkeiten ab, einschließlich Dimensionsreduktion mittels Principal Component Analysis und Datenvorverarbeitung für numerische und Bilddatensätze. Die algorithmischen Implementierungen umfassen lineare und Bayes'sche Regression, K-Means-Clustering und mehrere Klassifizierungsmethoden wie Support Vector Machines, Decision Trees und K-Nearest Neighbors. Das Projekt wird als eine Reihe von Jupyter Notebooks bereitgestellt.

Dies ist eine PyTorch-Bibliothek zur Implementierung von Vektor- und Skalarquantisierung, um diskrete latente Repräsentationen in neuronalen Netzen zu erstellen. Sie bietet eine Suite von Modulen und Dienstprogrammen zur Konvertierung kontinuierlicher Vektoren in diskrete Codes und unterstützt Architekturen wie Vector Quantized Variational Autoencoders. Die Bibliothek bietet spezialisierte Mechanismen zur Aufrechterhaltung der Codebook-Integrität und -Effizienz, einschließlich der zufälligen Re-Initialisierung von Vektoren zur Vermeidung von Codebook-Kollaps und der K-Means-Zentroid-Initialisierung zur Beschleunigung der Konvergenz. Sie unterstützt verschiedene Quantisierungsstrategien wie rekursive Residualquantisierung für höhere Auflösung, Multi-Head-Parallelquantisierung für Feature-Subspace-Division und Finite-Scalar-Quantisierung zur Erstellung von Hypercube-Codes. Das Toolkit enthält ein differenzierbares Quantisierungsmodul, das Straight-Through-Estimators und Rotation-Tricks verwendet, um Backpropagation durch nicht-differenzierbare Quantisierungsschritte zu ermöglichen. Zusätzliche Funktionen decken Winkelabstandsabgleiche mittels Kosinus-Ähnlichkeit, orthogonale Regularisierung für Feature-Translation und Latent-Space-Disentanglement durch lernbare Skalar-Codebooks ab.

Dieses Repository ist eine Sammlung praktischer Machine-Learning-Implementierungen, die darauf ausgelegt sind, grundlegende prädiktive Analysen, Computer Vision und Techniken der natürlichen Sprachverarbeitung zu demonstrieren. Es dient als Ressource für die Anwendung von Standard-Machine-Learning-Frameworks zur Lösung diverser Data-Science-Probleme, die von automatisierter Klassifizierung bis hin zu komplexer Mustererkennung reichen. Das Projekt zeichnet sich durch die Bereitstellung konkreter Beispiele über mehrere Domänen hinweg aus, einschließlich der Entwicklung von Konversationsschnittstellen, der Analyse geospatialer Daten und der Implementierung von Deep-Learning-Architekturen für die visuelle Inhaltsverarbeitung. Jedes Modul konzentriert sich auf spezifische Methoden, wie das Trainieren von Modellen zur Interpretation von Benutzereingaben, die Prognose zeitlicher Trends und die Identifizierung von Objekten innerhalb von Bild- oder Videoströmen. Die Sammlung deckt eine breite Fähigkeitsoberfläche ab, einschließlich überwachter und unüberwachter Lernpipelines, regressionsbasierter Schätzung und Optimierung neuronaler Netze. Diese Implementierungen adressieren Aufgaben wie das Kategorisieren von Datenmustern, das Schätzen numerischer Ergebnisse und die Durchführung automatisierter Analysen auf strukturierten und unstrukturierten Datensätzen. Das Repository ist als eine Reihe von Jupyter Notebooks organisiert, die praktische Implementierungen dieser Machine-Learning-Workflows bieten.