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 est une bibliothèque de calcul de tableaux CUDA qui implémente une interface compatible avec NumPy pour exécuter des opérations sur tableaux et du calcul numérique sur des GPU NVIDIA. Elle sert de bibliothèque numérique accélérée par GPU et d'implémentation SciPy basée sur CUDA, déchargeant les calculs lourds sur le matériel graphique pour augmenter la vitesse de traitement pour les charges de travail scientifiques et d'ingénierie. La bibliothèque permet l'échange de tenseurs multi-framework, permettant aux tampons de données d'être partagés entre différents frameworks d'apprentissage profond en utilisant des mises en page mémoire standardisées pour éviter les copies mémoire. Elle prend également en charge l'intégration de noyaux GPU personnalisés, permettant aux données de tableaux d'être connectées à des API de bas niveau pour un contrôle précis sur l'exécution matérielle. Globalement, le projet couvre le traitement de tableaux haute performance et les flux de travail de calcul scientifique. Ses capacités incluent l'accélération des calculs de tableaux et la fourniture d'outils pour les calculs numériques à grande échelle.

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

Ce projet est un cursus éducatif en machine learning et une plateforme d'apprentissage délivrée via des Jupyter Notebooks interactifs. Il sert de guide complet pour maîtriser le toolkit de science des données Python, fournissant des tutoriels structurés pour le calcul numérique, la manipulation de données tabulaires et la visualisation statistique. Le cursus inclut des guides d'implémentation spécifiques pour Scikit-Learn et un cours pratique sur TensorFlow pour construire, entraîner et déployer des réseaux de neurones et des modèles de vision par ordinateur. Il couvre le processus de bout en bout de la construction de modèles prédictifs, de la formulation initiale du problème et de la catégorisation des tâches au déploiement des modèles via des interfaces web interactives. Le projet couvre une large surface de capacités incluant le calcul numérique avec des tableaux multidimensionnels, l'analyse exploratoire des données et les routines de prétraitement des données. Il fournit des flux de travail détaillés pour l'apprentissage supervisé et non supervisé, les pipelines de machine learning automatisés, l'optimisation des hyperparamètres et l'évaluation des modèles utilisant des métriques de classification et la validation croisée. Le contenu éducatif est organisé sous forme d'une série de notebooks qui entremêlent code Python et explications narratives pour documenter les flux de travail en science des données.

Ce projet est une collection de Jupyter Notebooks éducatifs proposant des tutoriels sur la construction de réseaux de neurones et les opérations sur tenseurs avec le framework TensorFlow. Il sert de dépôt pédagogique pour le machine learning et de guide d'implémentation pour les étudiants en deep learning. La suite se concentre sur des architectures avancées spécifiques, notamment les réseaux convolutifs pour la classification d'images, les réseaux résiduels avec connexions sautées pour la stabilité de l'entraînement, et les auto-encodeurs variationnels pour la modélisation générative et la synthèse de données. Elle inclut également des guides pour construire des auto-encodeurs de débruitage et profonds afin d'effectuer l'extraction de caractéristiques et la réduction de dimensionnalité. Le dépôt couvre un large spectre de modélisation prédictive, avec des implémentations de régression linéaire, polynomiale et logistique pour prédire des valeurs continues et des résultats binaires. Le contenu est organisé en notebooks interactifs permettant aux utilisateurs d'exécuter des opérations mathématiques et de modifier des expériences de machine learning.

ArrayFire est un framework de calcul agnostique au matériel et un moteur de tenseurs compilé JIT conçu pour le calcul numérique haute performance. Il sert de bibliothèque de calcul numérique GPU et de toolkit de traitement du signal parallèle qui abstrait les backends matériels, permettant à la même base de code de s'exécuter sur diverses architectures GPU et CPU. Le projet se distingue par un moteur JIT qui utilise la compilation d'expressions pour fusionner les opérations et minimiser la surcharge mémoire. Il emploie un graphe d'exécution différée pour optimiser les chaînes de calcul et fournit des primitives d'interopérabilité pour partager des données et des contextes d'exécution avec des plateformes de calcul externes comme CUDA et OpenCL. La bibliothèque couvre un large éventail de capacités, incluant l'algèbre linéaire parallèle, le traitement du signal numérique et la vision par ordinateur accélérée. Elle fournit des outils pour l'implémentation de l'apprentissage automatique, la simulation de modélisation financière et la résolution d'équations aux dérivées partielles pour les simulations de systèmes physiques. Son système de gestion de tenseurs gère l'allocation de tableaux multidimensionnels, le découpage et les transferts de données hôte-périphérique.

Flux.jl est un framework de deep learning et une boîte à outils de calcul numérique écrite en Julia. Il sert de bibliothèque de machine learning pour concevoir et entraîner des réseaux de neurones, fournissant un système pour la différenciation automatique afin d'optimiser les paramètres du modèle. Le framework permet le développement de deep learning et la recherche en machine learning en représentant les couches comme des fonctions paramétrées. Il prend en charge le machine learning scientifique, intégrant les réseaux de neurones dans des flux de travail pour résoudre des problèmes physiques et mathématiques. La boîte à outils fournit une accélération GPU native pour les calculs de tenseurs et utilise la différenciation automatique en mode inverse pour calculer les gradients. Elle emploie des noyaux compilés juste-à-temps (JIT) pour générer du code machine optimisé pour les opérations mathématiques sur matériel CPU et GPU.

pysot is a computer vision framework designed for single object tracking. It provides a platform for implementing and evaluating algorithms that locate and follow specific target objects across sequences of video frames. The project includes implementations of the SiamRPN architecture for region proposal network based localization and the SiamMask model, which combines tracking with binary mask generation to provide pixel-level segmentation of objects. The framework also contains a visual tracking evaluation toolkit used to measure the accuracy and reliability of tracking algorithms against

RecBole est un framework de recommandation basé sur PyTorch conçu pour construire, entraîner et évaluer une grande variété d'algorithmes de recommandation. Il sert d'environnement de benchmark standardisé qui permet la comparaison de différentes architectures de modèles en utilisant des jeux de données publics et des métriques d'évaluation cohérentes. Le projet fournit des boîtes à outils spécialisées pour la recommandation séquentielle et l'intégration de graphes de connaissances, permettant la prédiction de séquences d'éléments basées sur l'historique de l'utilisateur ou l'incorporation de connaissances externes structurées. Il inclut un moteur d'optimisation des hyperparamètres dédié qui utilise la recherche par grille et l'optimisation bayésienne pour ajuster les configurations de modèles. Le framework couvre un large éventail de capacités incluant la gestion des données pour standardiser les logs d'interaction, des pipelines d'entraînement avec synchronisation distribuée des gradients et exécution en précision mixte, et des outils d'évaluation complets pour le classement des candidats et l'analyse de diversité. Il prend en charge plusieurs types de recommandation, tels que le filtrage collaboratif général et la prédiction de taux de clic. La bibliothèque est implémentée en Python et utilise PyTorch pour son framework de recommandation sous-jacent.

Ce projet est un programme d'apprentissage automatique et une ressource pédagogique en science des données. Il fournit un ensemble structuré de matériels pédagogiques et de projets pratiques conçus pour apprendre les concepts d'apprentissage automatique et l'implémentation de modèles prédictifs. La ressource fonctionne comme un guide de formation pour l'apprentissage supervisé, se concentrant sur le développement de modèles pour la classification d'images et la reconnaissance de chiffres. Elle utilise une approche de formation basée sur des projets qui associe des leçons théoriques à l'entraînement et à l'évaluation de modèles basés sur des jeux de données. Le programme couvre les fondements mathématiques de l'apprentissage automatique, le traitement des données et l'implémentation d'algorithmes d'apprentissage supervisé. Il organise le contenu en unités modulaires et en parcours séquentiels qui passent de l'étude théorique à l'application pratique des modèles en utilisant des jeux de données du monde réel.

Machine-Learning-From-Scratch est un dépôt pédagogique qui propose des implémentations de modèles d'apprentissage automatique fondamentaux construits en utilisant la logique de programmation Python standard. Il sert de ressource pour comprendre les mécanismes internes des algorithmes statistiques et prédictifs courants en les construisant de zéro, plutôt que de s'appuyer sur des frameworks de machine learning de haut niveau. Le projet se distingue en privilégiant la transparence dans la conception algorithmique, en utilisant des primitives mathématiques et des calculs vectorisés pour exposer le calcul sous-jacent et la logique statistique. En structurant les techniques d'apprentissage comme des composants modulaires et indépendants, le dépôt permet d'examiner les boucles d'entraînement itératives et les processus d'optimisation basés sur le gradient de manière isolée. Cette collection couvre un large éventail de techniques de science des données, en se concentrant sur l'implémentation manuelle des étapes de traitement de base et des procédures d'entraînement des modèles. Le dépôt est conçu pour soutenir le développement des compétences en science des données en démontrant comment les modèles prédictifs fonctionnent grâce à des pratiques de programmation et d'analyse fondamentales.