Git Stars Git Stars

#interpretable-machine-learning Dépôts

Découvrez 9 dépôts GitHub open source actifs associés à #interpretable-machine-learning, cumulant 18,839 étoiles au total (soit une moyenne de 2,093 étoiles par projet). Le projet en tête de ce thème est interpretml/interpret, avec 6,986 étoiles.

9
Total des Dépôts
18,839
Nombre total d'étoiles
2,093
Moyenne d'Étoiles/Dépôt
Langages de programmation: Python Jupyter Notebook C++
1
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
2
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
3
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
4
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
5
SelfExplainML/PiML-Toolbox

Boîte à outils PiML (Python Interpretable Machine Learning) pour le développement et le diagnostic de modèles

SelfExplainML
⭐ 1,285 Jupyter Notebook 👤 SelfExplainML Organization 🕐 Mis à jour 2025-03-30 📅 Créé 2022-04-29
6
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
7
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
8
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
9
jphall663/interpretable_machine_learning_with_python

Exemples de techniques pour entraîner des modèles ML interprétables, expliquer des modèles ML et déboguer des modèles ML en termes de précision, discrimination et sécurité.

jphall663
⭐ 679 Jupyter Notebook 👤 jphall663 User 🕐 Mis à jour 2024-06-17 📅 Créé 2018-03-14

Foire aux questions

1

Quel est le dépôt #interpretable-machine-learning le plus populaire sur GitHub ?

Le projet #interpretable-machine-learning open source le mieux classé sur GitHub est interpretml/interpret, avec 6,986 étoiles. Ajustez des modèles interprétables. Expliquez l'apprentissage automatique en boîte noire.

2

Quels langages de programmation sont les plus utilisés dans les dépôts #interpretable-machine-learning ?

Parmi les projets #interpretable-machine-learning les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, C++.

3

Comment le classement des dépôts #interpretable-machine-learning est-il calculé ?

Nous suivons 9 dépôts open source actifs associés à #interpretable-machine-learning (500+ étoiles), totalisant 18,839 étoiles, avec une moyenne de 2,093 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.