Git Stars Git Stars

#explainability Repositories

Entdecke 12 aktive Open-Source-GitHub-Repositories, die mit #explainability getaggt sind und insgesamt 69,600 Sterne gesammelt haben (durchschnittlich 5,800 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist shap/shap mit 25,883 Sternen.

12
Gesamtzahl der Repositories
69,600
Gesamtanzahl der Sterne
5,800
Durchschnittliche Sterne/Repo

Insgesamt 12 Repositories

1
shap/shap

Ein spieltheoretischer Ansatz zur Erklärung der Ausgabe beliebiger maschineller Lernmodelle

shap
⭐ 25,883 Jupyter Notebook 👤 shap Organization 🕐 Aktualisiert 2026-11-20 📅 Erstellt 2016-11-22
2
EthicalML/awesome-production-machine-learning

Eine kuratierte Liste toller Open-Source-Bibliotheken zum Bereitstellen, Überwachen, Versionieren und Skalieren Ihres Machine Learning

EthicalML
⭐ 21,121 👤 EthicalML Organization 🕐 Aktualisiert 2026-11-12 📅 Erstellt 2018-08-15
3
interpretml/interpret

Passen Sie interpretierbare Modelle an. Erklären Sie Blackbox-Machine-Learning.

interpretml
⭐ 6,986 C++ 👤 interpretml Organization 🕐 Aktualisiert 2026-11-16 📅 Erstellt 2019-05-03
4
MAIF/shapash

🔅 Shapash: Benutzerfreundliche Erklärbarkeit und Interpretierbarkeit zur Entwicklung zuverlässiger und transparenter Machine-Learning-Modelle

MAIF
⭐ 3,297 Jupyter Notebook 👤 MAIF Organization 🕐 Aktualisiert 2026-11-16 📅 Erstellt 2020-04-29
5
CodeBoarding/CodeBoarding

Interaktive Architekturdiagramme für Codebases

CodeBoarding
⭐ 2,692 Python 👤 CodeBoarding Organization 🕐 Aktualisiert 2026-11-17 📅 Erstellt 2025-04-08
6
hila-chefer/Transformer-Explainability

[CVPR 2021] Offizielle PyTorch-Implementierung für Transformer Interpretability Beyond Attention Visualization, eine neuartige Methode zur Visualisierung von Klassifizierungen durch Transformer-basierte Netzwerke.

hila-chefer
⭐ 1,967 Jupyter Notebook 👤 hila-chefer User 🕐 Aktualisiert 2024-01-24 📅 Erstellt 2020-11-23
7
microsoft/responsible-ai-toolbox

Die Responsible AI Toolbox ist eine Suite von Tools, die Benutzeroberflächen und Bibliotheken für die Modell- und Datenexploration und -bewertung bereitstellt und ein besseres Verständnis von KI-Systemen ermöglicht. Diese Benutzeroberflächen und Bibliotheken befähigen Entwickler und Stakeholder von KI-Systemen, KI verantwortungsvoller zu entwickeln und zu überwachen und bessere datengesteuerte Maßnahmen zu ergreifen.

microsoft
⭐ 1,858 TypeScript 👤 microsoft Organization 🕐 Aktualisiert 2026-11-21 📅 Erstellt 2020-07-06
8
alexgreensh/attention-span

Lass deine Agenten wie Menschen sprechen. ADHS-freundliche Ausgabestile für Claude Code, Codex und andere. Damit du dich auf den Inhalt konzentrieren kannst, nicht auf die Tokens.

alexgreensh
⭐ 1,601 Python 👤 alexgreensh User 🕐 Aktualisiert 2026-10-30 📅 Erstellt 2026-08-04
9
voidful/hung-yi-lee-skill

Die Fähigkeiten von Professor Li Hongyi destilliert, kombiniert mit Karpathys LLM, unterstützt durch Fable 5 und GPT-6 sowie durch von mir persönlich geführte Interviews.

voidful
⭐ 1,323 HTML 👤 voidful User 🕐 Aktualisiert 2026-08-11 📅 Erstellt 2026-04-08
10
EthicalML/xai

XAI - Eine eXplainability-Toolbox für maschinelles Lernen

EthicalML
⭐ 1,270 Python 👤 EthicalML Organization 🕐 Aktualisiert 2025-11-29 📅 Erstellt 2019-01-11
11
flyingdoog/awesome-graph-explainability-papers

Papiere zur Erklärbarkeit von GNNs

flyingdoog
⭐ 821 👤 flyingdoog User 🕐 Aktualisiert 2026-11-12 📅 Erstellt 2021-11-01
12
mmschlk/shapiq

Shapley-Werte und Shapley-Interaktionen für maschinelles Lernen

mmschlk
⭐ 797 Python 👤 mmschlk User 🕐 Aktualisiert 2026-11-20 📅 Erstellt 2023-10-17

Häufig gestellte Fragen

1

Welches ist das beliebteste #explainability-Repository auf GitHub?

Das am höchsten eingestufte Open-Source-#explainability-Projekt auf GitHub ist shap/shap mit 25,883 Sternen. Ein spieltheoretischer Ansatz zur Erklärung der Ausgabe beliebiger maschineller Lernmodelle

2

Welche Programmiersprachen werden in #explainability-Repositories am häufigsten verwendet?

Unter den am höchsten eingestuften #explainability-Projekten auf GitHub sind Python, Jupyter Notebook, C++, TypeScript die am häufigsten verwendeten Programmiersprachen.

3

Wie wird das Ranking der #explainability-Repositories berechnet?

Wir verfolgen 12 aktive Open-Source-Repositories, die mit #explainability getaggt sind (500+ Sterne), mit insgesamt 69,600 Sternen und durchschnittlich 5,800 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.