Git Stars Git Stars

#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
Total de Repositorios
69,600
Total de estrellas
5,800
Promedio de Estrellas/Repo

12 repositorios en total

1
shap/shap

Un enfoque de la teoría de juegos para explicar la salida de cualquier modelo de aprendizaje automático

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

Una lista curada de excelentes bibliotecas de código abierto para desplegar, monitorear, versionar y escalar tu machine learning

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

Ajusta modelos interpretables. Explica el aprendizaje automático de caja negra.

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

🔅 Shapash: Explicabilidad e Interpretabilidad Amigables para el Usuario para Desarrollar Modelos de Aprendizaje Automático Confiables y Transparentes

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

Diagramas de arquitectura interactivos para codebases

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

[CVPR 2021] Implementación oficial de PyTorch para Transformer Interpretability Beyond Attention Visualization, un nuevo método para visualizar clasificaciones mediante redes basadas en Transformer.

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

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.

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

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.

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

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.

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

XAI - Una caja de herramientas de eXplicabilidad para el aprendizaje automático

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

Artículos sobre la explicabilidad de las GNN

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

Valores de Shapley e interacciones de Shapley para el aprendizaje automático

mmschlk
⭐ 797 Python 👤 mmschlk User 🕐 Actualizado 2026-11-20 📅 Creado 2023-10-17

Preguntas frecuentes

1

¿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

2

¿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.

3

¿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.