Awesome GitHub RepositoriesDomain Models

This project is an AI agent workflow framework and development toolkit designed for AI-driven software engineering. It provides a system of modular instructions, prompt libraries, and standardized routines to orchestrate complex engineering sequences and automate the decomposition of plans into technical tasks. The system differentiates itself through advanced context management and prompt engineering, using state compression and handoff documents to preserve conversation history between different AI sessions. It employs a structured library of prompt skills and high-signal trigger words to e

This project is a full-stack web framework designed for building database-backed applications through a standardized architectural pattern. It provides a comprehensive suite of integrated libraries that manage the entire request-response lifecycle, from routing incoming web traffic to rendering dynamic server-side templates. By utilizing an object-relational mapping layer, the framework allows developers to define domain models that map database tables directly to application objects, simplifying data persistence, schema migrations, and complex relationship management. The framework is distin

This project is a comprehensive Chinese translation of a technical deep learning textbook, providing an educational resource on the theory and implementation of neural networks. It functions as a collaborative technical translation project designed to make complex academic AI literature accessible to non-English speakers. The project utilizes a community-driven translation model that integrates external suggestions and pull requests to refine linguistic accuracy and reduce bias. It employs standardized terminology mapping to ensure a uniform vocabulary throughout the translated content. To i

This project provides a framework for managing multi-agent systems, designed to automate complex software development, infrastructure, and business workflows. It functions as a multi-agent workflow orchestrator that routes tasks to domain-specific workers while maintaining state persistence and infrastructure automation. By leveraging large language models, the system decomposes high-level objectives into actionable plans, ensuring that complex operations are executed with consistency and reliability. The framework distinguishes itself through its hierarchical agent registry and policy-driven

This project is a comprehensive template for building enterprise-grade applications using clean architecture principles. It provides a structured foundation that decouples core business logic from infrastructure concerns, ensuring that domain entities remain independent of specific frameworks or database implementations. By utilizing a mediator-based request dispatching pattern, the system separates state-mutating commands from read-only queries, promoting a clean separation of concerns across the entire codebase. The architecture is organized into vertical slices, grouping related logic and

This is a reference implementation of Uncle Bob's clean architecture for Android, structured into distinct domain, data, and presentation layers. The project demonstrates how to organize an Android application around business use cases, keeping domain logic and entities free from framework dependencies. The architecture enforces dependency inversion through layered separation, where inner domain layers define interfaces that outer layers implement. This approach enables repository abstractions for data source switching, presenter-view separation for testable UI logic, and use-case composition

This project is a community-driven academic resource index and knowledge base dedicated to the study of transfer learning and domain adaptation. It functions as a curated repository of scholarly materials, including academic papers, tutorials, datasets, and benchmarks, designed to support research into how machine learning models apply knowledge from one task to another. The repository organizes these resources into a hierarchical taxonomy to facilitate the discovery of specialized methodologies. By leveraging distributed version control, the project maintains an evolving archive of research

This project is an integrated software suite and graphical workbench designed for capturing, visualizing, and reverse engineering wireless communication protocols and digital waveforms. It functions as a platform for software-defined radio analysis, enabling the recording of raw radio frequency data from hardware devices to facilitate the investigation of unknown or proprietary communication logic. The software distinguishes itself through a protocol-agnostic data modeling approach that represents radio transmissions as abstract bitstreams, decoupling analysis tools from specific modulation o

YSDA course in Natural Language Processing

This project is a software engineering style guide and a curated collection of architectural patterns and coding standards. It provides a multi-language coding standard to ensure maintainable software across Ruby, Python, JavaScript, and Swift. The project establishes a development workflow specification for version control, continuous integration, and peer review to maintain a linear project history. It also includes a web accessibility framework based on ARIA and WCAG standards, using design tokens and semantic HTML patterns to build inclusive interfaces. The guides cover a broad range of

Keras-GAN is a collection of generative adversarial network implementations built with Keras for synthetic data generation and image manipulation. It provides frameworks for image-to-image translation, image inpainting, and neural image super-resolution. The library includes tools for learning disentangled latent space representations to control specific attributes of synthetic outputs. It also features capabilities for image domain translation using paired or unpaired data and the ability to fill corrupted or missing image parts by analyzing surrounding visual context. The project covers ge

Ce projet fournit des standards architecturaux et des modèles pour organiser les applications Django. Il définit un guide d'architecture de projet axé sur le découplage de la logique métier des vues et des modèles via une architecture en couche de service. Le guide établit des modèles de conception spécifiques, incluant une couche de service pour les fonctions de logique métier autonomes et un modèle de sélecteur de données pour isoler les requêtes de base de données complexes. Il définit un standard pour les vues à but unique qui délèguent la logique aux services et utilisent des sérialiseurs dédiés pour l'entrée et la sortie des données. Le framework couvre plusieurs domaines de capacités plus larges, incluant la gestion de configuration modulaire pour séparer les surcharges d'environnement des paramètres de base, une hiérarchie d'exceptions personnalisée pour le mappage d'erreurs piloté par le domaine, et un système pour coordonner les tâches d'arrière-plan et la planification périodique. Il inclut également des standards pour combiner les contraintes de base de données avec la validation au niveau du modèle et du service.

EconML est une bibliothèque Python pour l'inférence causale conçue pour estimer les effets de traitement hétérogènes en utilisant une combinaison de machine learning et d'économétrie. Elle sert de boîte à outils pour calculer les effets de traitement moyens conditionnels afin de déterminer comment des interventions spécifiques impactent des individus ou des sous-groupes. Le projet fournit un framework pour le double machine learning et le machine learning orthogonal afin d'isoler les signaux causaux des facteurs de confusion de haute dimension. Il inclut des implémentations spécialisées pour les forêts causales et les apprenants à variables instrumentales, permettant la récupération de relations causales même en présence de facteurs de confusion non observés. La bibliothèque couvre un large éventail de capacités, notamment la validation de modèles causaux via des tests de réfutation et des courbes de calibration, la construction de politiques de traitement personnalisées et l'analyse de régimes de traitement dynamiques. Elle prend également en charge l'inférence statistique pour la quantification de l'incertitude et l'interprétation de l'hétérogénéité des effets en utilisant des modèles basés sur des arbres et des valeurs de Shapley. Le projet est principalement implémenté et démontré via des Jupyter Notebooks.

Ce projet est une bibliothèque complète pour le transfer learning et l'adaptation de domaine en vision par ordinateur. Il sert de framework pour aligner les distributions de caractéristiques entre des jeux de données source et cible, une boîte à outils pour la généralisation de domaine, et une bibliothèque pour l'apprentissage semi-supervisé utilisant de petits jeux de données étiquetés et de grands ensembles non étiquetés. La bibliothèque fournit des capacités spécialisées pour l'adaptation de domaine non supervisée, incluant l'utilisation de réseaux adverses, d'architectures basées sur la divergence et de traduction image-à-image pour réduire le décalage de distribution. Elle inclut également des outils pour la généralisation de domaine afin d'assurer la fiabilité du modèle à travers des domaines cibles non vus via le mélange de styles et la minimisation du risque invariant. Le projet couvre une large surface de capacités incluant l'adaptation de tâche et le fine-tuning avec régularisation spécialisée, l'entraînement semi-supervisé via le pseudo-étiquetage et l'apprentissage par cohérence, et la sélection de modèles de transfer learning utilisant des métriques de transférabilité. Il inclut également un gestionnaire de jeux de données pour automatiser l'acquisition et la préparation de benchmarks de vision standardisés. La bibliothèque inclut des utilitaires pour la surveillance et l'observabilité, tels que des visualisations t-SNE et des métriques de distance A pour analyser les distributions de caractéristiques et la divergence de domaine.

This project is a Java microservices reference implementation that demonstrates the application of structural design patterns for distributed systems. It consists of a suite of containerized services and infrastructure dependencies designed to showcase how to coordinate multiple independent services into a functional system. The implementation focuses on several advanced architectural patterns, including a centralized API gateway for routing and aggregating responses, Command Query Responsibility Segregation to separate read and write operations, and event sourcing to persist the state of bus

Ce projet sert de ressource pédagogique complète pour implémenter des monolithes modulaires et des microservices au sein d'environnements .NET. Il se concentre sur l'application des principes de conception pilotée par le domaine (DDD) pour gérer une logique métier complexe, fournissant une approche structurée pour construire des systèmes qui peuvent évoluer parallèlement aux exigences changeantes. L'architecture est définie par son accent sur la modularité et des limites claires, utilisant des tranches verticales (vertical slices) et des contextes bornés (bounded contexts) pour organiser le code par processus métier plutôt que par couche technique. Il se distingue par un framework de migration systématique qui permet aux développeurs de passer d'une base de code monolithique à des services indépendants et distribués. Ceci est réalisé en remplaçant la communication interne par une messagerie robuste et événementielle et en garantissant que la logique de domaine reste découplée des préoccupations de persistance et d'infrastructure. Le projet couvre une large surface de capacités, incluant la modélisation de domaine tactique avec des agrégats et des entités, des stratégies de test automatisées utilisant une infrastructure conteneurisée, et la maintenance de registres de décisions architecturales pour suivre l'évolution de la conception. Il fournit également des outils pour l'orchestration du développement local et l'analyse statique pour appliquer des standards de qualité à travers des modules indépendants. Le dépôt est structuré comme un guide pratique, offrant une méthodologie étape par étape pour faire évoluer l'architecture logicielle de manière incrémentale.

AWS Powertools for Python is a utility framework designed for building production-ready Python functions on AWS Lambda. It provides a comprehensive suite of tools for observability, event parsing, routing, and idempotency management to streamline the development of serverless applications. The project distinguishes itself through specialized capabilities for event-driven architectures and AI agent orchestration. It enables the implementation of AI agents by exposing functions as tools via OpenAPI schemas and managing conversation states. Additionally, it features an idempotency library that p

POT is an optimal transport library providing a collection of solvers for computing Wasserstein, Gromov-Wasserstein, and Fused Gromov-Wasserstein distances between probability distributions. It functions as a differentiable tensor framework that integrates with various tensor libraries to enable automatic differentiation and GPU acceleration. The project is distinguished by its ability to align data distributions across different metric spaces by comparing internal relational structures rather than coordinates. It implements mathematical optimization algorithms as differentiable layers, allow

Commanded is an Elixir framework designed for building event-sourced applications that utilize domain-driven design. It provides a structured environment for implementing command-query responsibility segregation, allowing developers to separate write-side command processing from read-side data projection. By treating state changes as an immutable sequence of events, the framework ensures a reliable audit trail and facilitates system recovery. The project distinguishes itself through its support for distributed process orchestration and event-driven middleware pipelines. It enables the managem

Ce projet est une implémentation de référence pour structurer des applications Java en utilisant une architecture propre (clean architecture) et des principes de conception pilotée par le domaine (DDD). Il fournit un modèle pour organiser le code en couches concentriques, garantissant que les règles métier fondamentales et les entités de domaine restent entièrement indépendantes des frameworks, bases de données et mécanismes de livraison externes. L'architecture repose sur le principe d'inversion de dépendance pour découpler la logique métier de l'infrastructure. En définissant des interfaces abstraites pour l'accès aux données et les services externes, le système permet le remplacement des technologies sous-jacentes sans nécessiter de modifications à la logique d'application principale. Une couche de configuration dédiée gère l'injection de dépendances, isolant le câblage spécifique au framework du code de domaine. La base de code prend en charge une stratégie de test complète qui valide le comportement du système à plusieurs niveaux, y compris la logique unitaire isolée, les scénarios d'acceptation axés sur le métier et les parcours de bout en bout. Cette approche modulaire facilite la maintenance à long terme en garantissant que les actions métier restent encapsulées en tant qu'unités indépendantes et testables.