Awesome GitHub RepositoriesMachine Learning Frameworks

Apache MXNet is a deep learning framework and distributed machine learning library designed for training and deploying neural networks across distributed systems, mobile devices, and hardware accelerators. It functions as a cross-platform runtime and a dynamic dataflow scheduler that optimizes neural network execution. The framework provides a multi-language API, enabling the development of machine learning models using Python, R, Julia, Scala, Go, and JavaScript. It supports high-performance model training and the scaling of workloads across multiple GPUs and machines. The system covers cap

Candle is a minimalist machine learning framework and deep learning inference engine designed for the Rust programming language. It functions as a low-level tensor computation library, providing the necessary primitives for multi-dimensional array operations and mathematical transformations required to execute pre-trained neural network models. The framework distinguishes itself through a focus on memory efficiency and hardware utilization. It employs static-typed tensor operations to enforce shape validation and memory safety at compile time, while utilizing a lazy-loaded computational graph

CatBoost is a gradient boosting machine learning library used to train decision tree ensembles for regression, classification, and ranking tasks. It functions as a high-performance framework that provides a categorical data processor for transforming non-numeric features, a distributed trainer for large-scale datasets, and GPU acceleration to speed up model construction. The library distinguishes itself through native handling of categorical data and text features, removing the need for manual encoding. It includes a specialized model interpretability tool that leverages SHAP values and featu

Composer es un framework de entrenamiento distribuido para PyTorch diseñado para escalar modelos a gran escala en clústeres de GPU multi-nodo. Funciona como un entrenador de modelos de lenguaje de gran tamaño (LLM), un optimizador de modelos distribuidos y un gestor del ciclo de vida de entrenamiento. El proyecto se diferencia como una biblioteca de regularización para deep learning, proporcionando técnicas de optimización especializadas como Sharpness Aware Minimization, MixUp y CutMix para mejorar la generalización del modelo. Además, distingue su flujo de entrenamiento mediante el uso de warmup de longitud de secuencia, congelación progresiva de capas y checkpointing de estado fragmentado (sharded-state) para la recuperación de modelos a gran escala. El framework cubre una amplia superficie de capacidades, incluyendo la orquestación de entrenamiento distribuido, la gestión de hardware de precisión mixta y el streaming de datos cloud-native. También proporciona herramientas extensas de monitoreo y observabilidad para diagnósticos de memoria de GPU, detección de divergencia en el entrenamiento y seguimiento del rendimiento (throughput). El proyecto incluye un lanzador de línea de comandos para automatizar la ejecución de trabajos de entrenamiento multi-GPU entre nodos.

Linfa es un framework de aprendizaje automático clásico y suite de aprendizaje estadístico implementado en Rust. Proporciona una colección de algoritmos para aprendizaje supervisado y no supervisado, centrados en métodos estadísticos tradicionales como regresión, clustering y árboles de decisión. El kit de herramientas se distingue por su capacidad de ser compilado en WebAssembly, permitiendo que los modelos analíticos se ejecuten dentro de entornos de navegador. Emplea una interfaz de algoritmo basada en traits para estandarizar el proceso de entrenamiento y predicción en sus diversos modelos. La biblioteca cubre una amplia gama de capacidades, incluyendo clasificación supervisada y regresión de valores continuos. Proporciona clustering no supervisado, métodos de conjunto (ensemble) para la agregación de modelos y procesamiento de señales mediante análisis de componentes independientes. La suite también incluye herramientas extensas de preprocesamiento de datos para normalización de características, vectorización de texto y reducción de dimensionalidad mediante PCA y t-SNE. Se proporcionan utilidades adicionales para la gestión de datos, incluyendo importación CSV y generación de conjuntos de datos sintéticos, así como herramientas de evaluación de modelos como matrices de confusión y métricas de validación cruzada.

Machine Learning library for Rust

A comprehensive library for machine learning and numerical computing. Apply Machine Learning with Rust leveraging first principles.

Rumale is a machine learning library in Ruby

A general classifier module to allow Bayesian and LSI classifications.

Machine learning crate for Rust

https://github.com/dmlc/xgboost

An Open-Source Machine Learning Framework in Rust Δ

Ruby language bindings for LIBSVM

Neural networks in Rust

Ruby Scoring API for PMML

Rust library for Self Organising Maps (SOM).