#explainable-ai Repositorios
Descubre 49 repositorios activos de código abierto de GitHub etiquetados con #explainable-ai, que acumulan 137,847 estrellas en total (una media de 2,813 estrellas por proyecto). El líder de este tema es KindXiaoming/pykan, con 16,291 estrellas.
49 repositorios en total
Explicabilidad avanzada de IA para visión por computadora. Soporte para CNN, Vision Transformers, Clasificación, Detección de objetos, Segmentación, Similitud de imágenes y más.
Sumérgete en Deep Learning, Reinforcement Learning, Machine Learning, Computer Vision y NLP aprendiendo de estas emocionantes conferencias!!
Lime: Explicando las predicciones de cualquier clasificador de aprendizaje automático
Ajusta modelos interpretables. Explica el aprendizaje automático de caja negra.
Inferencia cortada/en mosaico independiente del framework + interfaz de usuario interactiva + gráficos de análisis de errores
Depuración, monitoreo y visualización para Python Machine Learning y Data Science
El entorno de ejecución de ontologías de código abierto para agentes de IA.
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.
La IA está en camino. Un sueño de aprendizaje profundo automático. Un enfoque RDBMS para el aprendizaje profundo. Declarativo, explicable, escalable, optimizable, fácil de implementar, todas esas cosas buenas.
Interpretabilidad y explicabilidad de datos y modelos de aprendizaje automático
Una colección de materiales de investigación sobre IA/ML explicable
Paquete de ML interpretable 🔍 para modelado predictivo conciso, transparente y preciso (compatible con sklearn).
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.
Genera explicaciones contrafácticas diversas para cualquier modelo de aprendizaje automático.
Una lista curada profesionalmente de fantásticos videos, tutoriales, libros, artículos, tesis doctorales y de maestría, artículos y bibliotecas de código abierto sobre Predicción Conforme.
¡Una caja de herramientas para iNNvestigar las predicciones de redes neuronales!
Biblioteca de extracción de características para series temporales (TSFEL): más de 60 características estadísticas, temporales, espectrales y fractales para clasificación y regresión de series temporales, y procesamiento de señales en Python
Artículos ICCV 2023-2025: Descubra investigaciones de vanguardia de ICCV 2023-25, la conferencia líder en visión por computadora. Manténgase al día sobre lo último en visión por computadora y aprendizaje profundo, con código incluido. ⭐ ¡Apoye el desarrollo de la inteligencia visual!
Exploración de arquitecturas de AGI de caja blanca: metacognición (bucle de autoconciencia), aprendizaje continuo (volante de conocimiento), modelo del mundo (espacio condicional + grafo semántico espaciotemporal), automejora (disciplina de arranque), canalización de caja blanca sin LLM y salvaguardas de confianza auditables.
Privacy Meter: Una biblioteca de código abierto para auditar la privacidad de los datos en algoritmos estadísticos y de aprendizaje automático.
Inspecciona, visualiza e intervén en cualquier operación de cualquier red neuronal. Captura todas las activaciones y gradientes, el grafo computacional completo y más de 800 campos de metadatos, sin cambiar el código del modelo. Compatible con PyTorch, JAX, TensorFlow, MLX, PaddlePaddle y tinygrad. Validado en más de 6.400 modelos. Creado para investigadores y sus agentes de IA.
Usar GPT para organizar y acceder a información, y generar preguntas. El objetivo a largo plazo es crear un asistente de investigación similar a un agente.
[JMLR 2023] Quantus es un kit de herramientas de IA explicable para la evaluación responsable de las explicaciones de redes neuronales
Un detector de texto de IA de código abierto para identificar contenido generado por IA en ensayos, artículos y documentos. Admite detección a nivel de documento y de oración, con clasificación de contenido humano, generado por IA y mixto, resultados explicables y desarrollo de modelos multilingües.
💭 Análisis de Sentimiento Basado en Aspectos: Transformer & ML Explicable (TensorFlow)
Enlaces a publicaciones de conferencias/revistas sobre verificación automática de hechos (recursos para el artículo TACL22/EMNLP23).
Implementación en PyTorch para el artículo "Driving with LLMs: Fusing Object-Level Vector Modality for Explainable Autonomous Driving"
Motor para seguimiento, visualización, explicabilidad, detección de deriva y paneles de control de IA/ML/datos para Polyaxon.
Preguntas frecuentes
¿Cuál es el repositorio de #explainable-ai más popular en GitHub?
El proyecto de código abierto de #explainable-ai mejor posicionado en GitHub es KindXiaoming/pykan, con 16,291 estrellas. Redes de Kolmogorov Arnold
¿Qué lenguajes de programación se utilizan más en los repositorios de #explainable-ai?
Entre los proyectos de #explainable-ai mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, HTML, JavaScript.
¿Cómo se calcula la clasificación de los repositorios de #explainable-ai?
Seguimos 49 repositorios activos de código abierto etiquetados con #explainable-ai (500+ estrellas), que suman un total de 137,847 estrellas, con una media de 2,813 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.