Git Stars Git Stars

#explainability Dépôts

Découvrez 12 dépôts GitHub open source actifs associés à #explainability, cumulant 69,600 étoiles au total (soit une moyenne de 5,800 étoiles par projet). Le projet en tête de ce thème est shap/shap, avec 25,883 étoiles.

12
Total des Dépôts
69,600
Nombre total d'étoiles
5,800
Moyenne d'Étoiles/Dépôt
1
shap/shap

Une approche de la théorie des jeux pour expliquer la sortie de tout modèle d'apprentissage automatique

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

Une liste curated de bibliothèques open source géniales pour déployer, surveiller, versionner et scaler votre machine learning

EthicalML
⭐ 21,121 👤 EthicalML Organization 🕐 Mis à jour 2026-11-12 📅 Créé 2018-08-15
3
interpretml/interpret

Ajustez des modèles interprétables. Expliquez l'apprentissage automatique en boîte noire.

interpretml
⭐ 6,986 C++ 👤 interpretml Organization 🕐 Mis à jour 2026-11-16 📅 Créé 2019-05-03
4
MAIF/shapash

🔅 Shapash : Explicabilité et Interprétabilité Conviviales pour Développer des Modèles d'Apprentissage Automatique Fiables et Transparents

MAIF
⭐ 3,297 Jupyter Notebook 👤 MAIF Organization 🕐 Mis à jour 2026-11-16 📅 Créé 2020-04-29
5
CodeBoarding/CodeBoarding

Diagrammes d'architecture interactifs pour les bases de code

CodeBoarding
⭐ 2,692 Python 👤 CodeBoarding Organization 🕐 Mis à jour 2026-11-17 📅 Créé 2025-04-08
6
hila-chefer/Transformer-Explainability

[CVPR 2021] Implémentation PyTorch officielle pour Transformer Interpretability Beyond Attention Visualization, une nouvelle méthode pour visualiser les classifications par les réseaux basés sur Transformer.

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

Responsible AI Toolbox est une suite d'outils fournissant des interfaces utilisateur et des bibliothèques pour l'exploration et l'évaluation des modèles et des données qui permettent une meilleure compréhension des systèmes d'IA. Ces interfaces et bibliothèques permettent aux développeurs et aux parties prenantes des systèmes d'IA de développer et de surveiller l'IA de manière plus responsable, et de prendre de meilleures mesures basées sur les données.

microsoft
⭐ 1,858 TypeScript 👤 microsoft Organization 🕐 Mis à jour 2026-11-21 📅 Créé 2020-07-06
8
alexgreensh/attention-span

Faites parler vos agents comme des humains. Des styles de sortie adaptés au TDAH pour Claude Code, Codex et d’autres outils. Pour que vous puissiez vous concentrer sur le contenu, pas sur les tokens.

alexgreensh
⭐ 1,601 Python 👤 alexgreensh User 🕐 Mis à jour 2026-10-30 📅 Créé 2026-08-04
9
voidful/hung-yi-lee-skill

Distillation des compétences du professeur Li Hongyi, combinées au LLM de Karpathy, renforcées par Fable 5 et GPT-6, ainsi que par des entretiens menés personnellement par mes soins.

voidful
⭐ 1,323 HTML 👤 voidful User 🕐 Mis à jour 2026-08-11 📅 Créé 2026-04-08
10
EthicalML/xai

XAI - Une boîte à outils d'eXplicabilité pour l'apprentissage automatique

EthicalML
⭐ 1,270 Python 👤 EthicalML Organization 🕐 Mis à jour 2025-11-29 📅 Créé 2019-01-11
11
flyingdoog/awesome-graph-explainability-papers

Articles sur l'explicabilité des GNN

flyingdoog
⭐ 821 👤 flyingdoog User 🕐 Mis à jour 2026-11-12 📅 Créé 2021-11-01
12
mmschlk/shapiq

Valeurs de Shapley et interactions de Shapley pour l’apprentissage automatique

mmschlk
⭐ 797 Python 👤 mmschlk User 🕐 Mis à jour 2026-11-20 📅 Créé 2023-10-17

Foire aux questions

1

Quel est le dépôt #explainability le plus populaire sur GitHub ?

Le projet #explainability open source le mieux classé sur GitHub est shap/shap, avec 25,883 étoiles. Une approche de la théorie des jeux pour expliquer la sortie de tout modèle d'apprentissage automatique

2

Quels langages de programmation sont les plus utilisés dans les dépôts #explainability ?

Parmi les projets #explainability les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, C++, TypeScript.

3

Comment le classement des dépôts #explainability est-il calculé ?

Nous suivons 12 dépôts open source actifs associés à #explainability (500+ étoiles), totalisant 69,600 étoiles, avec une moyenne de 5,800 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.