Awesome GitHub RepositoriesNumerical Computing Libraries

NumPy is a foundational library for scientific computing in Python, providing a comprehensive framework for managing and manipulating large-scale numerical information. It centers on high-performance multidimensional array objects that serve as the primary data structure for complex mathematical operations and data analysis workflows. The library distinguishes itself through specialized mechanisms for handling multidimensional data, including advanced indexing, slicing, and broadcasting techniques that allow for efficient operations across arrays of varying shapes. It utilizes strided metadat

This project is an educational toolkit that provides implementations of fundamental machine learning algorithms built from scratch. By avoiding high-level library abstractions, it serves as a pedagogical reference for understanding the mathematical foundations and core mechanics of supervised learning, unsupervised learning, and reinforcement learning models. The repository distinguishes itself through a modular approach to model construction, allowing users to build custom neural networks by chaining independent functional blocks. It covers a wide range of techniques, including gradient-base

This project is a machine learning array framework and tensor computation library designed for high-performance numerical computing. It provides a comprehensive suite of tools for constructing and training neural networks, featuring an automatic differentiation engine that facilitates gradient-based optimization and complex mathematical modeling. The library distinguishes itself through a unified memory architecture that allows data to be shared across CPU and GPU devices without explicit copies, significantly reducing data movement overhead. Its execution model relies on a lazy evaluation en

CuPy es una biblioteca de computación de matrices CUDA que implementa una interfaz compatible con NumPy para ejecutar operaciones de matrices y computación numérica en GPUs NVIDIA. Sirve como una biblioteca numérica acelerada por GPU y una implementación de SciPy basada en CUDA, descargando cálculos pesados al hardware gráfico para aumentar la velocidad de procesamiento para cargas de trabajo científicas y de ingeniería. La biblioteca permite el intercambio de tensores entre múltiples frameworks, permitiendo que los búferes de datos se compartan entre diferentes frameworks de aprendizaje profundo utilizando diseños de memoria estandarizados para evitar copias de memoria. También admite la integración de kernels de GPU personalizados, permitiendo que los datos de las matrices se conecten a APIs de bajo nivel para un control preciso sobre la ejecución del hardware. En términos generales, el proyecto cubre flujos de trabajo de procesamiento de matrices y computación científica de alto rendimiento. Sus capacidades incluyen la aceleración de cálculos de matrices y la provisión de herramientas para cálculos numéricos a gran escala.

Torch7 is a scientific computing environment and tensor computation library used for deep learning research and numerical analysis. It functions as a Lua-based framework for training neural networks and learning agents, providing a toolkit for implementing architectures and training through reinforcement learning algorithms. The project is distinguished by its tight integration with C, utilizing a binding layer to map high-level scripting to low-level C structures for direct memory access. It supports hardware-accelerated computation by offloading linear algebra and convolution operations to

This project is a deep learning implementation library and neural network theory repository. It translates mathematical derivations from textbooks and literature into functional Python code to demonstrate how deep learning algorithms work. The codebase focuses on low-level algorithm implementation by using numerical libraries instead of high-level deep learning frameworks. This approach maps theoretical mathematical proofs to executable functions to verify principles and expose the underlying arithmetic and data flow of neural networks. The project covers the implementation of deep learning

OpenBLAS is a high-performance implementation of the Basic Linear Algebra Subprograms standard designed for numerical computing and matrix operations. It serves as a hardware-accelerated numerical library and optimized math kernel library, providing a computational engine for large-scale matrix multiplication and vector operations. The library distinguishes itself through the use of hand-tuned assembly kernels and SIMD instruction mapping, such as AVX and SVE, to maximize floating-point performance on specific CPU architectures. It features a multi-threaded framework that manages parallel exe

Este proyecto es un currículo educativo de machine learning y plataforma de aprendizaje entregada a través de Jupyter Notebooks interactivos. Sirve como una guía completa para dominar el toolkit de ciencia de datos de Python, proporcionando tutoriales estructurados para computación numérica, manipulación de datos tabulares y visualización estadística. El currículo incluye guías de implementación específicas para Scikit-Learn y un curso práctico sobre TensorFlow para construir, entrenar y desplegar redes neuronales y modelos de visión artificial. Cubre el proceso de extremo a extremo de construcción de modelos predictivos, desde la formulación inicial del problema y categorización de tareas hasta el despliegue de modelos mediante interfaces web interactivas. El proyecto cubre una amplia superficie de capacidades incluyendo computación numérica con arrays multidimensionales, análisis exploratorio de datos y rutinas de preprocesamiento de datos. Proporciona flujos de trabajo detallados para aprendizaje supervisado y no supervisado, pipelines de machine learning automatizado, optimización de hiperparámetros y evaluación de modelos utilizando métricas de clasificación y validación cruzada. El contenido educativo está organizado como una serie de notebooks que intercalan código Python con explicaciones narrativas para documentar flujos de trabajo de ciencia de datos.

Este proyecto es una colección de Jupyter Notebooks educativos que ofrecen tutoriales sobre la construcción de redes neuronales y operaciones con tensores utilizando el framework TensorFlow. Sirve como repositorio educativo de machine learning y guía de implementación para estudiantes de deep learning. La suite se centra en arquitecturas avanzadas específicas, incluyendo redes convolucionales para clasificación de imágenes, redes residuales con conexiones de salto (skip connections) para la estabilidad del entrenamiento y autoencoders variacionales para modelado generativo y síntesis de datos. También incluye guías para construir autoencoders de eliminación de ruido (denoising) y profundos para realizar extracción de características y reducción de dimensionalidad. El repositorio cubre un espectro más amplio de modelado predictivo, con implementaciones de regresión lineal, polinómica y logística para predecir valores continuos y resultados binarios. El contenido está organizado en notebooks interactivos que permiten a los usuarios ejecutar operaciones matemáticas y modificar experimentos de machine learning.

ArrayFire es un framework de computación agnóstico al hardware y un motor de tensores compilado JIT diseñado para la computación numérica de alto rendimiento. Sirve como una biblioteca de computación numérica en GPU y un kit de herramientas de procesamiento de señales paralelo que abstrae los backends de hardware, permitiendo que el mismo código base se ejecute en diversas arquitecturas de GPU y CPUs. El proyecto se distingue por un motor JIT que utiliza la compilación de expresiones para fusionar operaciones y minimizar la sobrecarga de memoria. Emplea un grafo de ejecución diferida para optimizar las cadenas de cálculo y proporciona primitivas de interoperabilidad para compartir datos y contextos de ejecución con plataformas de computación externas como CUDA y OpenCL. La biblioteca cubre una amplia gama de capacidades, incluyendo álgebra lineal paralela, procesamiento digital de señales y visión artificial acelerada. Proporciona herramientas para la implementación de aprendizaje automático, simulación de modelos financieros y la resolución de ecuaciones diferenciales parciales para simulaciones de sistemas físicos. Su sistema de gestión de tensores maneja la asignación de matrices multidimensionales, el corte (slicing) y las transferencias de datos entre host y dispositivo.

Flux.jl es un framework de aprendizaje profundo y kit de herramientas de computación numérica escrito en Julia. Sirve como una biblioteca de aprendizaje automático para diseñar y entrenar redes neuronales, proporcionando un sistema para la diferenciación automática con el fin de optimizar los parámetros del modelo. El framework permite el desarrollo de aprendizaje profundo y la investigación en aprendizaje automático representando capas como funciones parametrizadas. Soporta aprendizaje automático científico, integrando redes neuronales en flujos de trabajo para resolver problemas físicos y matemáticos. El kit de herramientas proporciona aceleración nativa por GPU para cálculos de tensores y utiliza diferenciación automática de modo inverso para calcular gradientes. Emplea kernels compilados just-in-time para generar código máquina optimizado para operaciones matemáticas en hardware de CPU y GPU.

pysot es un framework de visión por computadora diseñado para el seguimiento de un solo objeto. Proporciona una plataforma para implementar y evaluar algoritmos que localizan y siguen objetos objetivo específicos a través de secuencias de fotogramas de video. El proyecto incluye implementaciones de la arquitectura SiamRPN para la localización basada en redes de propuesta de región y el modelo SiamMask, que combina el seguimiento con la generación de máscaras binarias para proporcionar segmentación de objetos a nivel de píxel. El framework también contiene un kit de herramientas de evaluación de seguimiento visual utilizado para medir la precisión y fiabilidad de los algoritmos de seguimiento frente a datasets estándar de la industria.

RecBole is a PyTorch-based recommendation framework designed for building, training, and evaluating a wide variety of recommendation algorithms. It serves as a standardized benchmark environment that allows for the comparison of different model architectures using public datasets and consistent evaluation metrics. The project provides specialized toolkits for sequential recommendation and knowledge-graph integration, enabling the prediction of item sequences based on user history or the incorporation of structured external knowledge. It includes a dedicated hyperparameter optimization engine

Este proyecto es un currículo de aprendizaje automático y recurso educativo de ciencia de datos. Proporciona un conjunto estructurado de materiales instructivos y proyectos prácticos diseñados para aprender conceptos de aprendizaje automático y la implementación de modelos predictivos. El recurso funciona como una guía de entrenamiento para el aprendizaje supervisado, centrándose en el desarrollo de modelos para la clasificación de imágenes y el reconocimiento de dígitos. Utiliza un enfoque de entrenamiento basado en proyectos que combina lecciones teóricas con entrenamiento y evaluación de modelos basados en datasets. El currículo cubre los fundamentos matemáticos del aprendizaje automático, el procesamiento de datos y la implementación de algoritmos de aprendizaje supervisado. Organiza el contenido en unidades modulares y rutas secuenciales que se mueven desde el estudio teórico hasta la aplicación práctica de modelos utilizando datasets del mundo real.

Machine-Learning-From-Scratch es un repositorio educativo que proporciona implementaciones de modelos fundamentales de machine learning construidos utilizando lógica de programación estándar en Python. Sirve como recurso para comprender la mecánica interna de algoritmos estadísticos y predictivos comunes construyéndolos desde cero en lugar de depender de frameworks de machine learning de alto nivel. El proyecto se distingue por priorizar la transparencia en el diseño algorítmico, utilizando primitivas matemáticas y cálculos vectorizados de arrays para exponer el cálculo subyacente y la lógica estadística. Al estructurar las técnicas de aprendizaje como componentes modulares e independientes, el repositorio permite el examen de bucles de entrenamiento iterativos y procesos de optimización basados en gradientes de forma aislada. Esta colección cubre una amplia gama de técnicas de ciencia de datos, centrándose en la implementación manual de pasos de procesamiento central y procedimientos de entrenamiento de modelos. El repositorio está diseñado para apoyar el desarrollo de habilidades en ciencia de datos demostrando cómo funcionan los modelos predictivos a través de prácticas básicas de programación y análisis.