#explainable-ai Repositories
Entdecke 49 aktive Open-Source-GitHub-Repositories, die mit #explainable-ai getaggt sind und insgesamt 137,847 Sterne gesammelt haben (durchschnittlich 2,813 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist KindXiaoming/pykan mit 16,291 Sternen.
Insgesamt 49 Repositories
Erweiterte KI-Erklärbarkeit für Computer Vision. Unterstützung für CNNs, Vision Transformers, Klassifikation, Objekterkennung, Segmentierung, Bildähnlichkeit und mehr.
Tauchen Sie ein in Deep Learning, Reinforcement Learning, Machine Learning, Computer Vision und NLP, indem Sie aus diesen spannenden Vorlesungen lernen!!
Passen Sie interpretierbare Modelle an. Erklären Sie Blackbox-Machine-Learning.
Framework-unabhängige geslicete/geteilte Inferenz + interaktive Benutzeroberfläche + Fehleranalyse-Diagramme
Debugging, Überwachung und Visualisierung für Python Machine Learning und Data Science
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.
KI ist auf dem Weg. Ein automatischer Deep-Learning-Traum. Ein RDBMS-Ansatz für Deep Learning. Deklarativ, erklärbar, skalierbar, optimierbar, einfach bereitzustellen, all diese guten Dinge.
Eine Sammlung von Forschungsmaterialien zu erklärbarer KI/ML
Interpretabler ML-Paket 🔍 für knappe, transparente und genaue prädiktive Modellierung (sklearn-kompatibel).
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.
Generieren Sie vielfältige kontrafaktische Erklärungen für jedes Machine-Learning-Modell.
Eine professionell kuratierte Liste von großartigen Videos, Tutorials, Büchern, Papieren, Doktor- und Masterarbeiten, Artikeln und Open-Source-Bibliotheken zur konformen Vorhersage.
Ein Toolbox, um Vorhersagen neuronaler Netze mit iNNvestigate zu untersuchen!
Bibliothek zur Merkmalsextraktion aus Zeitreihen (TSFEL): über 60 statistische, zeitliche, spektrale und fraktale Merkmale für die Klassifizierung und Regression von Zeitreihen sowie die Signalverarbeitung in Python
ICCV 2023-2025 Artikel: Entdecken Sie Spitzenforschung von ICCV 2023-25, der führenden Konferenz für Computer Vision. Bleiben Sie auf dem Laufenden über das Neueste in Computer Vision und Deep Learning, inklusive Code. ⭐ Unterstützen Sie die Entwicklung visueller Intelligenz!
Aufmerksamkeitsbasierte Diffusionsattributionskarten zur Interpretation von Stable Diffusion.
Erkundung von White-Box-AGI-Architekturen: Metakognition (Selbsterkenntnisschleife), kontinuierliches Lernen (Wissensschwungrad), Weltmodell (bedingter Raum + semantischer raumzeitlicher Graph), Selbstverbesserung (Bootstrap-Disziplin), eine LLM-freie White-Box-Pipeline und auditierbare Vertrauensleitplanken.
Privacy Meter: Eine Open-Source-Bibliothek zur Überprüfung des Datenschutzes in statistischen Algorithmen und Algorithmen für maschinelles Lernen.
Untersuchen, visualisieren und beeinflussen Sie jede Operation in jedem neuronalen Netzwerk. Erfassen Sie jede Aktivierung und jeden Gradienten, den vollständigen Berechnungsgraphen und über 800 Metadatenfelder, ohne den Modellcode zu ändern. Unterstützt PyTorch, JAX, TensorFlow, MLX, PaddlePaddle und tinygrad. An über 6.400 Modellen validiert. Entwickelt für Forschende und ihre KI-Agenten.
Verwendung von GPT zur Organisation und zum Zugriff auf Informationen sowie zur Generierung von Fragen. Langfristiges Ziel ist es, einen agentenähnlichen Rechercheassistenten zu entwickeln.
[JMLR 2023] Quantus ist ein Toolkit für erklärbare KI zur verantwortungsvollen Bewertung von Erklärungen neuronaler Netze
Ein quelloffener KI-Textdetektor zur Erkennung von KI-generierten Inhalten in Aufsätzen, Artikeln und Dokumenten. Unterstützt die Erkennung auf Dokument- und Satzebene sowie die Klassifizierung in von Menschen verfasste, KI-generierte und gemischte Inhalte, mit erklärbaren Ergebnissen und der Entwicklung mehrsprachiger Modelle.
💭 Aspektbasierte Sentiment-Analyse: Transformer & Erklärbares ML (TensorFlow)
Links zu Konferenz-/Zeitschriftenveröffentlichungen über automatische Faktenprüfung (Ressourcen für das TACL22/EMNLP23-Paper).
PyTorch-Implementierung für die Veröffentlichung „Driving with LLMs: Fusing Object-Level Vector Modality for Explainable Autonomous Driving“
Engine für KI/ML/Daten-Tracking, Visualisierung, Erklärbarkeit, Drift-Erkennung und Dashboards für Polyaxon.
Häufig gestellte Fragen
Welches ist das beliebteste #explainable-ai-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#explainable-ai-Projekt auf GitHub ist KindXiaoming/pykan mit 16,291 Sternen. Kolmogorov Arnold Netzwerke
Welche Programmiersprachen werden in #explainable-ai-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #explainable-ai-Projekten auf GitHub sind Python, Jupyter Notebook, HTML, JavaScript die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #explainable-ai-Repositories berechnet?
Wir verfolgen 49 aktive Open-Source-Repositories, die mit #explainable-ai getaggt sind (500+ Sterne), mit insgesamt 137,847 Sternen und durchschnittlich 2,813 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.