SeaGlass

SeaGlass — это коллекция декларативных конфигурационных файлов и скриптов для Linux, предназначенная для автоматизации настройки системы.

С помощью SeaGlass можно легко внедрить динамическую смену цветовых схем, настроить полупрозрачность окон и интегрировать виджеты для среды рабочего стола KDE.

Репозиторий создан для быстрой и полностью автоматической настройки этих функций при установке Arch Linux с нуля.

📁 Language: #Nix (34.6%), #Shell (28.7%), #JavaScript (10.4%), #Lua (9.9%), #Python (8.8%)

⭐️ Stars: 165

➡️ Cсылка на GitHub

📱 @git_developer

MountMate

Когда подключаешь внешний диск к Mac, система автоматически монтирует его и начинает активно обращаться к устройству — из-за этого возникает шум и замедляется работа системы. Это может раздражать.

Чтобы решить эту проблему, один разработчик создал MountMate — лёгкий утилитный инструмент, выложенный в открытом доступе на GitHub:

С помощью MountMate можно прямо из меню-барa:

🔸видеть список всех подключённых внешних дисков и их статус монтирования
🔸монтировать или отмонтировать любой диск в один клик
🔸просматривать доступное дисковое пространство в реальном времени
🔸работает полностью нативно, не требует сетевого подключения
🔸не обращается к содержимому файлов — полная приватность
🔸поддержка светлой и тёмной темы интерфейса

Установка: скачай .dmg на странице релиза, перетащи в папку Программы — и можно использовать. Особенно удобно для тех, кто часто работает с внешними дисками на Mac.

📁 Language: #Swift (81.7%), #Shell (17.1%)

⭐️ Stars: 140

➡️ Cсылка на GitHub

📱 @git_developer

machine-learning-visualized

При изучении машинного обучения большинство материалов в сети либо ограничиваются поверхностными концепциями, либо сразу бросают в код, не объясняя, как на самом деле работают алгоритмы.

Сегодня на GitHub наткнулся на крутой опенсорс-проект — Machine Learning Visualized. Он показывает, как устроены алгоритмы машинного обучения изнутри, через визуализации и пошаговые математические разборы.

Что внутри:

🔸Полные реализации ключевых алгоритмов: нейронные сети, логистическая регрессия, перцептрон и др.
🔸Подробные математические выводы — с нуля, от первых принципов
🔸Интерактивные ноутбуки на базе Marimo — можно менять параметры на лету и сразу видеть результат
🔸Визуализация обучения — отслеживание, как веса сходятся к оптимуму
🔸Также охвачены PCA, кластеризация K-means, градиентный спуск и другие

Проект построен на Jupyter Book, можно изучать прямо в браузере или развернуть у себя локально через Docker одной командой.

Отличный ресурс, если хочешь не просто применять, а понимать, как работает ML под капотом.

📁 Language: #Shell (61.4%), #CSS (30.4%)

⭐️ Stars: 303

➡️ Cсылка на GitHub

📱 @git_developer