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 este o bibliotecă de calcul array CUDA care implementează o interfață compatibilă cu NumPy pentru executarea operațiunilor pe array-uri și calcul numeric pe GPU-uri NVIDIA. Acesta servește ca bibliotecă numerică accelerată GPU și o implementare SciPy bazată pe CUDA, descărcând calculele grele pe hardware-ul grafic pentru a crește viteza de procesare pentru sarcinile de lucru științifice și inginerești. Biblioteca permite schimbul de tensori între framework-uri, permițând partajarea bufferelor de date între diferite framework-uri de deep learning folosind layout-uri de memorie standardizate pentru a evita copiile de memorie. De asemenea, suportă integrarea kernel-urilor GPU personalizate, permițând conectarea datelor de tip array la API-uri de nivel scăzut pentru un control precis asupra execuției hardware. În linii mari, proiectul acoperă fluxuri de lucru de procesare de array-uri de înaltă performanță și calcul științific. Capabilitățile sale includ accelerarea calculelor pe array-uri și furnizarea de instrumente pentru calcule numerice la scară largă.

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

Acest proiect este un curriculum educațional de machine learning și o platformă de învățare livrată prin Jupyter Notebooks interactive. Servește drept ghid cuprinzător pentru stăpânirea toolkit-ului de data science Python, oferind tutoriale structurate pentru calcul numeric, manipularea datelor tabelare și vizualizarea statistică. Curriculum-ul include ghiduri specifice de implementare pentru Scikit-Learn și un curs practic despre TensorFlow pentru construirea, antrenarea și deployment-ul rețelelor neuronale și a modelelor de computer vision. Acoperă procesul end-to-end de construire a modelelor predictive, de la formularea inițială a problemei și categorizarea sarcinilor până la deployment-ul modelelor prin interfețe web interactive. Proiectul acoperă o suprafață largă de capabilități, inclusiv calcul numeric cu array-uri multidimensionale, analiză exploratorie a datelor și rutine de preprocesare a datelor. Oferă fluxuri de lucru detaliate pentru învățarea supervizată și nesupervizată, pipeline-uri de machine learning automatizat, optimizarea hiperparametrilor și evaluarea modelelor folosind metrici de clasificare și cross-validation. Conținutul educațional este organizat ca o serie de notebook-uri care intercalează codul Python cu explicații narative pentru a documenta fluxurile de lucru în data science.

Acest proiect este o colecție de Jupyter Notebooks educaționale care oferă tutoriale despre construcția rețelelor neuronale și operații cu tensori folosind framework-ul TensorFlow. Servește drept depozit educațional de machine learning și ghid de implementare pentru studenții pasionați de deep learning. Suita se concentrează pe arhitecturi avansate specifice, inclusiv rețele convoluționale pentru clasificarea imaginilor, rețele reziduale cu conexiuni de tip skip pentru stabilitatea antrenamentului și autoencodere variaționale pentru modelare generativă și sinteza datelor. Include, de asemenea, ghiduri pentru construirea de autoencodere de tip denoising și deep pentru extragerea caracteristicilor și reducerea dimensionalității. Depozitul acoperă o arie mai largă de modelare predictivă, cu implementări de regresie liniară, polinomială și logistică pentru predicția valorilor continue și a rezultatelor binare. Conținutul este organizat în notebook-uri interactive care permit utilizatorilor să execute operații matematice și să modifice experimentele de machine learning.

ArrayFire este un framework de calcul hardware-agnostic și un motor de tensori compilat JIT, conceput pentru calcul numeric de înaltă performanță. Acesta servește ca bibliotecă de calcul numeric GPU și toolkit de procesare paralelă a semnalelor care abstractizează backend-urile hardware, permițând aceluiași cod să ruleze pe diverse arhitecturi GPU și CPU. Proiectul se distinge printr-un motor JIT care utilizează compilarea expresiilor pentru a fuziona operațiunile și a minimiza consumul de memorie. Acesta folosește un graf de execuție amânată pentru a optimiza lanțurile de calcul și oferă primitive de interoperabilitate pentru a partaja date și contexte de execuție cu platforme de calcul externe precum CUDA și OpenCL. Biblioteca acoperă o gamă largă de capabilități, inclusiv algebră liniară paralelă, procesarea digitală a semnalelor și viziune computerizată accelerată. Oferă instrumente pentru implementarea învățării automate, simularea modelării financiare și rezolvarea ecuațiilor diferențiale parțiale pentru simulări de sisteme fizice. Sistemul său de gestionare a tensorilor se ocupă de alocarea array-urilor multidimensionale, felierea (slicing) și transferurile de date gazdă-dispozitiv.

Flux.jl is a deep learning framework and numerical computing toolkit written in Julia. It serves as a machine learning library for designing and training neural networks, providing a system for automatic differentiation to optimize model parameters. The framework enables deep learning development and machine learning research by representing layers as parameterized functions. It supports scientific machine learning, integrating neural networks into workflows for solving physical and mathematical problems. The toolkit provides native GPU acceleration for tensor computations and utilizes rever

pysot este un framework de computer vision conceput pentru urmărirea obiectelor unice (single object tracking). Oferă o platformă pentru implementarea și evaluarea algoritmilor care localizează și urmăresc obiecte țintă specifice în secvențe de cadre video. Proiectul include implementări ale arhitecturii SiamRPN pentru localizarea bazată pe rețeaua de propunere a regiunilor și modelul SiamMask, care combină urmărirea cu generarea de măști binare pentru a oferi segmentarea la nivel de pixel a obiectelor. Framework-ul conține, de asemenea, un toolkit de evaluare a urmăririi vizuale utilizat pentru a măsura acuratețea și fiabilitatea algoritmilor de urmărire față de seturile de date standard din industrie.

RecBole este un framework de recomandare bazat pe PyTorch, conceput pentru construirea, antrenarea și evaluarea unei mari varietăți de algoritmi de recomandare. Servește ca mediu de benchmark standardizat care permite compararea diferitelor arhitecturi de modele folosind seturi de date publice și metrici de evaluare consistente. Proiectul oferă toolkit-uri specializate pentru recomandare secvențială și integrarea knowledge-graph-urilor, permițând predicția secvențelor de elemente pe baza istoricului utilizatorului sau încorporarea de cunoștințe externe structurate. Include un motor dedicat de optimizare a hiperparametrilor care utilizează grid search și optimizare Bayesiană pentru a ajusta configurațiile modelelor. Framework-ul acoperă o gamă largă de capabilități, inclusiv gestionarea datelor pentru standardizarea log-urilor de interacțiune, pipeline-uri de antrenare cu sincronizare distribuită a gradientului și execuție cu precizie mixtă, și instrumente cuprinzătoare de evaluare pentru ranking-ul candidaților și analiza diversității. Suportă mai multe tipuri de recomandare, cum ar fi filtrarea colaborativă generală și predicția ratei de click (CTR). Biblioteca este implementată în Python și utilizează PyTorch pentru framework-ul său de recomandare subiacent.

This project is a machine learning curriculum and data science educational resource. It provides a structured set of instructional materials and hands-on projects designed for learning machine learning concepts and the implementation of predictive models. The resource functions as a training guide for supervised learning, focusing on the development of models for image classification and digit recognition. It uses a project-based training approach that pairs theoretical lessons with dataset-driven model training and evaluation. The curriculum covers the mathematical foundations of machine le

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.