Awesome GitHub RepositoriesGradient-Based Learning

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

Autograd is an automatic differentiation library and numerical gradient engine for Python. Its primary purpose is to compute the gradients of mathematical functions to enable numerical optimization and the training of mathematical models. The library automates the calculation of derivatives to simplify the implementation of optimization algorithms. This supports activities such as machine learning research, gradient-based learning, and the optimization of numerical models.

clmtrackr is a JavaScript computer vision library designed for facial landmark detection and real-time tracking. It implements Constrained Local Models to identify specific coordinate points on a human face within video feeds or static images. The project functions as a real-time face warping engine and expression analysis tool. It can distort facial images via parametric models to create caricatures or identify and label emotional states such as happiness, sadness, anger, and surprise based on feature coordinates. The library covers a broad range of capabilities including automatic and manu

Cleverhans is an adversarial machine learning library and toolkit designed to generate adversarial examples, incorporate them into training loops, and benchmark the resilience of machine learning models. It provides a gradient-based attack framework for constructing both white-box and black-box attacks to identify model misclassifications. The project includes capabilities for model robustness benchmarking, allowing users to evaluate and verify how models resist evasion attacks and malicious input perturbations. It also facilitates adversarial training to increase a model's resistance to pert

Cleverhans este o bibliotecă TensorFlow pentru machine learning adversar, care servește drept framework de atac, benchmark de robustețe și bibliotecă de apărare. Oferă o colecție de instrumente pentru a genera exemple adverse, a testa securitatea rețelelor neuronale și a implementa mecanisme de protecție pentru a crește reziliența modelelor împotriva input-urilor malițioase. Proiectul se concentrează pe crearea de input-uri perturbate, concepute pentru a induce în eroare modelele de machine learning să facă predicții incorecte. Permite evaluarea stabilității și acurateței modelelor de deep learning atunci când sunt supuse zgomotului advers, oferind implementări de referință ale metodelor de atac cunoscute pentru a identifica vulnerabilitățile de securitate. Toolkit-ul acoperă generarea de exemple adverse, apărarea modelelor de machine learning și benchmarking-ul robusteții rețelelor neuronale. Utilizează o interfață agnostică față de model și implementări de atac diferențiabile pentru a executa perturbări bazate pe gradient și bucle de optimizare iterativă.

Neuralangelo este un framework de reconstrucție a suprafețelor neuronale care transformă secvențele de imagini bidimensionale și fotografia multi-view în mesh-uri 3D de înaltă fidelitate. Implementează un pipeline pentru antrenarea câmpurilor de radianță neuronale (NeRF) pentru a reprezenta scene complexe ca geometrie digitală. Proiectul utilizează o funcție de distanță semnată (SDF) pentru reprezentarea suprafeței și codificarea hash multi-rezoluție pentru a captura detalii geometrice atât grosiere, cât și fine. Utilizează randarea volumetrică diferențiabilă și regularizarea eikonală bazată pe gradient pentru a se asigura că funcțiile de distanță învățate rămân plauzibile din punct de vedere fizic. Sistemul include un pipeline complet de antrenare pentru computer vision cu antrenare distribuită multi-GPU și urmărirea performanței antrenării. Oferă utilitare pentru pregătirea datelor de fotogrammetrie, inclusiv pre-procesarea video, estimarea poziției camerei și conversia formatului setului de date. Un instrument dedicat de extracție convertește reprezentările neuronale antrenate în mesh-uri 3D texturate folosind marching cubes și eliminarea zgomotului.

Machine-Learning-From-Scratch este un repository educațional care oferă implementări ale modelelor fundamentale de machine learning, construite folosind logica standard de programare Python. Servește ca resursă pentru înțelegerea mecanismelor interne ale algoritmilor statistici și predictivi comuni, prin construirea lor de la zero, în loc să se bazeze pe framework-uri de machine learning de nivel înalt. Proiectul se distinge prin prioritizarea transparenței în designul algoritmic, utilizând primitive matematice și calcule vectoriale pentru a expune logica statistică și calculul din spate. Prin structurarea tehnicilor de învățare ca module independente, repository-ul permite examinarea buclelor de antrenament iterative și a proceselor de optimizare bazate pe gradient în mod izolat. Această colecție acoperă o gamă largă de tehnici de data science, concentrându-se pe implementarea manuală a pașilor de procesare de bază și a procedurilor de antrenare a modelelor. Repository-ul este conceput pentru a susține dezvoltarea abilităților în data science, demonstrând modul în care funcționează modelele predictive prin practici de programare și analiză de bază.