Awesome GitHub RepositoriesData Access Patterns

This project is a collection of reference implementations demonstrating recommended patterns for organizing code and managing data flow in Android applications. It provides structural examples of layered architecture, separating code into presentation, domain, and data layers to decouple business logic from data sources. The repository includes specific samples for implementing declarative user interfaces that automatically update their visual state based on underlying data changes. It further demonstrates how to manage object lifetimes and component dependencies to reduce boilerplate and sim

TypeORM is an object-relational mapper for TypeScript and JavaScript that bridges the gap between object-oriented application code and relational database tables. It provides a comprehensive data persistence layer that allows developers to define database entities using class decorators or configuration objects, enabling seamless interaction with data through object-oriented patterns. The project distinguishes itself through a flexible architecture that supports both the data mapper and repository patterns, alongside a fluent query builder that translates high-level method calls into platform

Hazelcast is a distributed data platform that combines an in-memory data grid with a stream processing engine to support real-time analytics and event-driven applications. It functions as a partitioned, distributed key-value store that replicates data across cluster nodes to provide low-latency access and high availability. The platform also serves as a distributed SQL query engine, allowing users to execute standard SQL statements against both in-memory datasets and external data sources. What distinguishes Hazelcast is its use of a distributed consensus subsystem to maintain strongly consis

This project is a reference implementation of Domain-Driven Design, Clean Architecture, and Command Query Responsibility Segregation (CQRS) patterns using the Go programming language. It serves as a sample application to demonstrate how to decouple core domain rules from infrastructure and delivery mechanisms. The system is built as a gRPC microservices architecture, utilizing type-safe communication and service contracts. It implements an event-driven architecture to manage eventual consistency and asynchronous processing, specifically employing the Outbox pattern to ensure reliable messagin

SynapseML es una biblioteca de machine learning de Apache Spark diseñada para construir y escalar flujos de trabajo de machine learning y pipelines de datos a través de clústeres distribuidos. Sirve como framework de pipeline de machine learning distribuido y motor de inferencia distribuido para ejecutar predicciones aceleradas por hardware y tareas de deep learning en conjuntos de datos a gran escala. El proyecto funciona como una capa de integración de IA en la nube, permitiendo a los usuarios aplicar servicios de inteligencia artificial preentrenados para texto, visión y voz dentro de pipelines distribuidos. También incluye un conjunto dedicado de herramientas para la detección de anomalías distribuida para identificar valores atípicos multivariados y de series temporales en datos de alta dimensión. La biblioteca cubre una amplia gama de capacidades, incluyendo visión artificial distribuida para análisis de rostros e imágenes, procesamiento de lenguaje natural escalable para análisis de texto y traducción, y el entrenamiento de árboles de decisión potenciados por gradiente (gradient boosted decision trees). Proporciona herramientas para búsqueda de similitud mediante modelado de k-vecinos más cercanos, explicabilidad de modelos mediante atribución de características y la orquestación de flujos de trabajo de aprendizaje por refuerzo. El sistema utiliza una arquitectura de pipeline componible y admite la inferencia de modelos basada en ONNX para compatibilidad multiplataforma.

Asterinas es un kernel de sistema operativo con seguridad de memoria diseñado para prevenir condiciones de carrera (data races) y corrupción de memoria. Funciona como un kernel compatible con la ABI de Linux, permitiendo la ejecución de binarios de Linux existentes y cargas de trabajo en contenedores mientras proporciona un modelo de distribución de sistema operativo declarativo. El proyecto se distingue por actuar como host de contenedores de máquinas virtuales y como SO invitado de computación confidencial, permitiendo su ejecución dentro de entornos de ejecución confiables (TEE) aislados por hardware como Intel TDX. Implementa una base de computación confiable mínima al aislar operaciones inseguras de bajo nivel y separa los mecanismos centrales del kernel de las implementaciones de políticas específicas. El sistema cubre una amplia gama de capacidades, incluyendo gestión de memoria física y virtual, multiprocesamiento simétrico y abstracción de hardware para varias arquitecturas de CPU. También incluye soporte para runtimes de contenedores seguros, un conjunto completo de primitivas de red y sockets, y una cadena de herramientas especializada para la compilación y emulación del kernel. El proyecto admite el despliegue en múltiples arquitecturas en plataformas x86-64, RISC-V 64 y LoongArch 64.