#explainable-ai Dépôts
Découvrez 49 dépôts GitHub open source actifs associés à #explainable-ai, cumulant 137,847 étoiles au total (soit une moyenne de 2,813 étoiles par projet). Le projet en tête de ce thème est KindXiaoming/pykan, avec 16,291 étoiles.
49 dépôts au total
Couche sémantique native des graphes pour une IA d’entreprise digne de confiance
Explicabilité avancée de l'IA pour la vision par ordinateur. Support pour CNN, Vision Transformers, Classification, Détection d'objets, Segmentation, Similarité d'images et plus.
Plongez dans le Deep Learning, l'Apprentissage par Renforcement, le Machine Learning, la Vision par Ordinateur et le NLP en apprenant de ces conférences passionnantes !!
Lime : Explication des prédictions de tout classificateur d'apprentissage automatique
Ajustez des modèles interprétables. Expliquez l'apprentissage automatique en boîte noire.
Inférence découpée/tuilée indépendante du framework + UI interactive + tracés d'analyse d'erreurs
Débogage, surveillance et visualisation pour Python Machine Learning et Data Science
L’environnement d’exécution d’ontologies open source pour les agents d’IA.
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.
L'IA arrive. Un rêve d'apprentissage profond automatique. Une approche RDBMS de l'apprentissage profond. Déclaratif, explicable, évolutif, optimisable, facile à déployer, toutes ces bonnes choses.
Interprétabilité et explicabilité des données et des modèles d'apprentissage automatique
Une collection de matériel de recherche sur l'IA/ML explicable
Paquet ML interprétable 🔍 pour une modélisation prédictive concise, transparente et précise (compatible avec sklearn).
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.
Générez des explications contrefactuelles diverses pour tout modèle d'apprentissage automatique.
Une liste organisée par des professionnels de superbes vidéos, tutoriels, livres, articles, thèses de doctorat et de master, articles et bibliothèques open-source sur la prédiction conforme.
Une boîte à outils pour iNNvestiguer les prédictions des réseaux de neurones !
Bibliothèque d’extraction de caractéristiques de séries temporelles (TSFEL) : plus de 60 caractéristiques statistiques, temporelles, spectrales et fractales pour la classification et la régression de séries temporelles, ainsi que le traitement du signal en Python
Articles ICCV 2023-2025 : Découvrez les recherches de pointe d'ICCV 2023-25, la conférence de premier plan en vision par ordinateur. Restez à jour sur les dernières nouveautés en vision par ordinateur et en apprentissage profond, avec le code inclus. ⭐ Soutenez le développement de l'intelligence visuelle !
Cartes d'attribution de diffusion attentive pour l'interprétation de Stable Diffusion.
Exploration des architectures d’AGI en boîte blanche : métacognition (boucle d’auto-conscience), apprentissage continu (volant d’inertie du savoir), modèle du monde (espace conditionnel + graphe spatiotemporel sémantique), auto-amélioration (discipline d’amorçage), pipeline en boîte blanche sans LLM et garde-fous de confiance auditables.
Privacy Meter : Une bibliothèque open-source pour auditer la confidentialité des données dans les algorithmes statistiques et d'apprentissage automatique.
Inspectez, visualisez et intervenez sur n’importe quelle opération dans n’importe quel réseau neuronal. Capturez chaque activation et chaque gradient, le graphe de calcul complet et plus de 800 champs de métadonnées, sans modifier le code du modèle. Compatible avec PyTorch, JAX, TensorFlow, MLX, PaddlePaddle et tinygrad. Validé sur plus de 6 400 modèles. Conçu pour les chercheurs et leurs agents d’IA.
Utiliser GPT pour organiser et accéder à l'information, et générer des questions. L'objectif à long terme est de créer un assistant de recherche semblable à un agent.
[JMLR 2023] Quantus est une boîte à outils d'IA explicable pour l'évaluation responsable des explications de réseaux de neurones
Un détecteur de texte IA open source permettant d’identifier le contenu généré par l’IA dans les dissertations, les articles et les documents. Il prend en charge la détection au niveau du document et de la phrase, avec une classification du contenu humain, généré par l’IA ou mixte, des résultats explicables et le développement de modèles multilingues.
💭 Analyse de sentiment basée sur les aspects : Transformer & ML explicable (TensorFlow)
Liens vers les publications de conférences/journaux sur la vérification automatique des faits (ressources pour l'article TACL22/EMNLP23).
Implémentation PyTorch pour l'article "Driving with LLMs: Fusing Object-Level Vector Modality for Explainable Autonomous Driving"
Moteur pour le suivi, la visualisation, l'explicabilité, la détection de dérive et les tableaux de bord IA/ML/données pour Polyaxon.
Foire aux questions
Quel est le dépôt #explainable-ai le plus populaire sur GitHub ?
Le projet #explainable-ai open source le mieux classé sur GitHub est KindXiaoming/pykan, avec 16,291 étoiles. Réseaux de Kolmogorov Arnold
Quels langages de programmation sont les plus utilisés dans les dépôts #explainable-ai ?
Parmi les projets #explainable-ai les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, HTML, JavaScript.
Comment le classement des dépôts #explainable-ai est-il calculé ?
Nous suivons 49 dépôts open source actifs associés à #explainable-ai (500+ étoiles), totalisant 137,847 étoiles, avec une moyenne de 2,813 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.