#explainability Repositorios
Descubre 12 repositorios activos de código abierto de GitHub etiquetados con #explainability, que acumulan 69,600 estrellas en total (una media de 5,800 estrellas por proyecto). El líder de este tema es shap/shap, con 25,883 estrellas.
12 repositorios en total
Un enfoque de la teoría de juegos para explicar la salida de cualquier modelo de aprendizaje automático
Una lista curada de excelentes bibliotecas de código abierto para desplegar, monitorear, versionar y escalar tu machine learning
Ajusta modelos interpretables. Explica el aprendizaje automático de caja negra.
🔅 Shapash: Explicabilidad e Interpretabilidad Amigables para el Usuario para Desarrollar Modelos de Aprendizaje Automático Confiables y Transparentes
[CVPR 2021] Implementación oficial de PyTorch para Transformer Interpretability Beyond Attention Visualization, un nuevo método para visualizar clasificaciones mediante redes basadas en Transformer.
Responsible AI Toolbox es un conjunto de herramientas que proporciona interfaces de usuario y bibliotecas para la exploración y evaluación de modelos y datos que permiten una mejor comprensión de los sistemas de inteligencia artificial. Estas interfaces y bibliotecas permiten a los desarrolladores y partes interesadas de los sistemas de IA desarrollar y supervisar la IA de manera más responsable, y tomar mejores medidas basadas en datos.
Haz que tus agentes hablen como personas. Estilos de salida adaptados al TDAH para Claude Code, Codex y otros. Para que prestes atención al contenido, no a los tokens.
Destilando las habilidades del profesor Li Hongyi, combinándolas con el LLM de Karpathy, potenciadas por Fable 5 y GPT-6, además de entrevistas realizadas personalmente por mí.
Preguntas frecuentes
¿Cuál es el repositorio de #explainability más popular en GitHub?
El proyecto de código abierto de #explainability mejor posicionado en GitHub es shap/shap, con 25,883 estrellas. Un enfoque de la teoría de juegos para explicar la salida de cualquier modelo de aprendizaje automático
¿Qué lenguajes de programación se utilizan más en los repositorios de #explainability?
Entre los proyectos de #explainability mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, C++, TypeScript.
¿Cómo se calcula la clasificación de los repositorios de #explainability?
Seguimos 12 repositorios activos de código abierto etiquetados con #explainability (500+ estrellas), que suman un total de 69,600 estrellas, con una media de 5,800 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.