Git Stars Git Stars

#explainable-ml Dépôts

Découvrez 17 dépôts GitHub open source actifs associés à #explainable-ml, cumulant 49,435 étoiles au total (soit une moyenne de 2,907 étoiles par projet). Le projet en tête de ce thème est jacobgil/pytorch-grad-cam, avec 13,014 étoiles.

17
Total des Dépôts
49,435
Nombre total d'étoiles
2,907
Moyenne d'Étoiles/Dépôt
1
jacobgil/pytorch-grad-cam

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.

jacobgil
⭐ 13,014 Python 👤 jacobgil User 🕐 Mis à jour 2026-11-01 📅 Créé 2017-05-31
2
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
3
jphall663/awesome-machine-learning-interpretability

Une liste sélectionnée de ressources formidables sur l'apprentissage automatique responsable.

jphall663
⭐ 4,088 👤 jphall663 User 🕐 Mis à jour 2026-06-03 📅 Créé 2018-06-21
4
truera/trulens

Évaluation et suivi des expériences LLM et des agents IA

truera
⭐ 3,665 Python 👤 truera Organization 🕐 Mis à jour 2026-11-20 📅 Créé 2020-11-02
5
microsoft/tensorwatch

Débogage, surveillance et visualisation pour Python Machine Learning et Data Science

microsoft
⭐ 3,477 Jupyter Notebook 👤 microsoft Organization 🕐 Mis à jour 2026-03-30 📅 Créé 2019-05-15
6
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
7
divelab/DIG

Une bibliothèque pour la recherche en deep learning sur les graphes

divelab
⭐ 1,997 Python 👤 divelab Organization 🕐 Mis à jour 2024-07-15 📅 Créé 2020-10-30
8
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
9
Trusted-AI/AIX360

Interprétabilité et explicabilité des données et des modèles d'apprentissage automatique

Trusted-AI
⭐ 1,809 Python 👤 Trusted-AI Organization 🕐 Mis à jour 2026-09-05 📅 Créé 2019-07-11
10
csinva/imodels

Paquet ML interprétable 🔍 pour une modélisation prédictive concise, transparente et précise (compatible avec sklearn).

csinva
⭐ 1,631 Jupyter Notebook 👤 csinva User 🕐 Mis à jour 2026-11-13 📅 Créé 2019-07-04
11
interpretml/DiCE

Générez des explications contrefactuelles diverses pour tout modèle d'apprentissage automatique.

interpretml
⭐ 1,519 Python 👤 interpretml Organization 🕐 Mis à jour 2025-07-13 📅 Créé 2019-05-02
12
ModelOriented/DALEX

Langage agnostique au modèle pour l'exploration et l'explication

ModelOriented
⭐ 1,489 Python 👤 ModelOriented Organization 🕐 Mis à jour 2026-07-15 📅 Créé 2018-02-18
13
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
14
dswah/pyGAM

[CONTRIBUTEURS BIENVENUS] Modèles Additifs Généralisés en Python

dswah
⭐ 1,024 Python 👤 dswah User 🕐 Mis à jour 2026-04-21 📅 Créé 2017-01-19
15
salesforce/OmniXAI

OmniXAI : Une bibliothèque pour l'IA explicable

salesforce
⭐ 975 Jupyter Notebook 👤 salesforce Organization 🕐 Mis à jour 2026-06-02 📅 Créé 2022-02-17
16
deel-ai/xplique

👋 Xplique est une boîte à outils pour l'explicabilité des réseaux de neurones

deel-ai
⭐ 761 Python 👤 deel-ai Organization 🕐 Mis à jour 2026-11-06 📅 Créé 2020-04-05
17
ScalaConsultants/Aspect-Based-Sentiment-Analysis

💭 Analyse de sentiment basée sur les aspects : Transformer & ML explicable (TensorFlow)

ScalaConsultants
⭐ 585 Python 👤 ScalaConsultants Organization 🕐 Mis à jour 2026-09-07 📅 Créé 2020-01-08

Foire aux questions

1

Quel est le dépôt #explainable-ml le plus populaire sur GitHub ?

Le projet #explainable-ml open source le mieux classé sur GitHub est jacobgil/pytorch-grad-cam, avec 13,014 étoiles. 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.

2

Quels langages de programmation sont les plus utilisés dans les dépôts #explainable-ml ?

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

3

Comment le classement des dépôts #explainable-ml est-il calculé ?

Nous suivons 17 dépôts open source actifs associés à #explainable-ml (500+ étoiles), totalisant 49,435 étoiles, avec une moyenne de 2,907 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.