Awesome GitHub RepositoriesAnomaly Detection Algorithms

This project is a deep learning image restoration tool designed to remove scratches, fading, and noise from aged photographs and film. It utilizes generative adversarial networks for image translation, alongside specialized networks for face enhancement and video colorization. The system distinguishes itself through a combination of latent-space domain mapping and progressive face enhancement to recover blurred or missing high-frequency facial details. For video content, it employs a colorization framework that uses optical flow and temporal guidance to propagate color from selected keyframes

This project is a comprehensive library of reference implementations for fundamental data structures and algorithms, designed to support technical interview preparation and software engineering assessments. It provides a structured collection of computational techniques for solving complex problems involving arrays, strings, graphs, trees, and mathematical analysis. The library distinguishes itself by offering specialized implementations for advanced topics, including concurrent programming patterns and geometric algorithms. It features thread-safe primitives for managing shared state and tas

PyOD is a Python anomaly detection library used to identify outliers in tabular, time series, graph, text, and image data. It provides a collection of algorithms for detecting anomalous data points and includes a unified detector interface that standardizes input and output signatures across its available detection algorithms. The project features a multi-modal outlier detector for identifying anomalies across diverse formats including unstructured text and images, as well as a specialized toolkit for graph-based and time-series anomaly detection. It includes an ensemble framework for combini

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 repository is a collection of implementation references and solved notebooks covering supervised, unsupervised, and reinforcement learning techniques. It provides practical guides for building predictive models, clustering algorithms, and autonomous agents. The project includes specific implementations for neural network architectures, such as multi-layer perceptrons for digit recognition, and recommender systems using collaborative and content-based filtering. It also features reinforcement learning systems that utilize deep Q-learning to optimize decision-making policies. The codebase

NuPIC is a machine learning framework that implements Hierarchical Temporal Memory (HTM) theory, a neuroscience-inspired approach to artificial intelligence. It models principles of the neocortex to build systems capable of learning patterns from streaming data, performing sequence prediction, and detecting anomalies in real-time data streams. The framework is built around a Cortical Learning Algorithm that combines spatial pooling and temporal memory to process streaming input. It uses Sparse Distributed Representations to encode input patterns, a Spatial Pooler to convert dense input into s

Kats est un framework et une bibliothèque d'analyse de séries temporelles fournissant des outils pour la caractérisation statistique, la détection d'anomalies et la prévision de tendances. Il fonctionne comme un toolkit pour prédire des valeurs futures basées sur des données historiques et identifier des modèles irréguliers ou des points de changement structurel au sein de séquences temporelles. Le projet inclut un outil d'extraction de caractéristiques temporelles pour calculer des statistiques descriptives et des caractéristiques qui résument le comportement des séries temporelles. Il fournit également un système pour le réglage des hyperparamètres de modèle utilisant l'apprentissage auto-supervisé pour améliorer l'échelle et la généralisation des prédictions.

Anomalib is a PyTorch-based library for visual anomaly detection, offering a modular framework, a comprehensive model zoo, and a benchmarking suite designed for industrial defect detection. It provides a wide range of algorithms—including generative, discriminative, teacher-student, and vision-language approaches—that support unsupervised, few-shot, and zero-shot settings. The library enables deployment through model export to ONNX and OpenVINO for edge devices, and includes a no-code web application for training and inference. It also features a command-line interface for orchestrating multi

Ce projet fournit une version traduite des guides et références API de la bibliothèque de machine learning scikit-learn pour les sinophones. Il sert de base de connaissances localisée et de référence technique pour implémenter l'analyse prédictive de données et la modélisation statistique en utilisant une boîte à outils basée sur Python. La ressource couvre l'implémentation de l'apprentissage supervisé, incluant les tâches de classification et de régression, ainsi que les workflows d'apprentissage non supervisé pour la découverte de motifs et la détection d'anomalies. Elle fournit également des conseils sur l'éducation en data science, en se concentrant spécifiquement sur l'utilisation de scikit-learn pour le machine learning. La documentation inclut des instructions détaillées sur le prétraitement des données, la réduction de dimensionnalité et la sélection de caractéristiques. Elle détaille en outre l'évaluation et le réglage des modèles via des métriques de performance, l'optimisation des hyperparamètres et la validation de généralisation, ainsi que l'utilisation de pipelines de prédiction et d'utilitaires de traitement du langage naturel.

SynapseML est une bibliothèque de machine learning Apache Spark conçue pour construire et mettre à l'échelle des workflows de machine learning et des pipelines de données à travers des clusters distribués. Elle sert de framework de pipeline de machine learning distribué et de moteur d'inférence distribué pour exécuter des prédictions accélérées par le matériel et des tâches de deep learning sur des jeux de données à grande échelle. Le projet fonctionne comme une couche d'intégration d'IA cloud, permettant aux utilisateurs d'appliquer des services d'intelligence artificielle pré-entraînés pour le texte, la vision et la parole au sein de pipelines distribués. Il inclut également une suite dédiée d'outils pour la détection distribuée d'anomalies afin d'identifier les valeurs aberrantes multivariées et de séries temporelles à travers des données de haute dimension. La bibliothèque couvre un large éventail de capacités, incluant la vision par ordinateur distribuée pour l'analyse de visages et d'images, le traitement du langage naturel évolutif pour l'analyse et la traduction de texte, et l'entraînement d'arbres de décision à gradient boosté. Elle fournit des outils pour la recherche de similarité via la modélisation k-plus proches voisins, l'explicabilité des modèles via l'attribution de caractéristiques, et l'orchestration de workflows d'apprentissage par renforcement. Le système utilise une architecture de pipeline composable et prend en charge l'inférence de modèle basée sur ONNX pour une compatibilité multiplateforme.

Ce projet est une plateforme d'audit des dépenses publiques et de contrôle social pilotée par l'IA, conçue pour surveiller l'administration publique et signaler les activités financières suspectes. Il fonctionne comme un outil automatisé de détection de la fraude qui utilise la reconnaissance de formes pour identifier les irrégularités dans les registres de dépenses gouvernementales. Le système transforme les fichiers de dépenses publiques bruts en jeux de données structurés via un pipeline de données, mappant divers formats de données gouvernementales vers un modèle relationnel standardisé. Il utilise un système de signalement automatisé pour prioriser l'examen manuel par les auditeurs et génère des exportations de jeux de données versionnées basées sur des instantanés pour garantir la reproductibilité à des fins de vérification indépendante. La plateforme inclut une interface de visualisation de données destinée au public, permettant aux citoyens d'explorer et de valider des registres de dépenses détaillés. Cette capacité soutient la responsabilité du secteur public en exposant les modèles identifiés lors de l'analyse automatisée.

DataFrame is a C++ tabular data library and manipulation engine designed for managing heterogeneous data in contiguous memory. It functions as a statistical analysis framework and time series analysis toolkit, providing the means to store, index, and transform multidimensional datasets. The project distinguishes itself through a high-performance execution model that utilizes column-major storage, SIMD-aligned memory allocation, and a thread-pool for parallel computations. It employs a visitor-based algorithm dispatch system and policy-driven transformations to decouple data processing logic f