Git Stars Git Stars

#explainability Repository

Scopri 12 repository GitHub open source attivi contrassegnati con #explainability, che raccolgono un totale di 69,600 stelle (con una media di 5,800 stelle per progetto). Il progetto leader di questo argomento è shap/shap, con 25,883 stelle.

12
Totale Repository
69,600
Totale stelle
5,800
Media Stelle/Repo

12 repository in totale

1
shap/shap

Un approccio di teoria dei giochi per spiegare l'output di qualsiasi modello di machine learning

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

Una lista curata di eccellenti librerie open source per implementare, monitorare, versionare e scalare il tuo machine learning

EthicalML
⭐ 21,121 👤 EthicalML Organization 🕐 Aggiornato 2026-11-12 📅 Creato 2018-08-15
3
interpretml/interpret

Adatta modelli interpretabili. Spiega il machine learning blackbox.

interpretml
⭐ 6,986 C++ 👤 interpretml Organization 🕐 Aggiornato 2026-11-16 📅 Creato 2019-05-03
4
MAIF/shapash

🔅 Shapash: Spiegabilità e Interpretabilità User-Friendly per Sviluppare Modelli di Machine Learning Affidabili e Trasparenti

MAIF
⭐ 3,297 Jupyter Notebook 👤 MAIF Organization 🕐 Aggiornato 2026-11-16 📅 Creato 2020-04-29
5
CodeBoarding/CodeBoarding

Diagrammi di architettura interattivi per codebase

CodeBoarding
⭐ 2,692 Python 👤 CodeBoarding Organization 🕐 Aggiornato 2026-11-17 📅 Creato 2025-04-08
6
hila-chefer/Transformer-Explainability

[CVPR 2021] Implementazione ufficiale PyTorch per Transformer Interpretability Beyond Attention Visualization, un nuovo metodo per visualizzare classificazioni da reti basate su Transformer.

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

Responsible AI Toolbox è una suite di strumenti che fornisce interfacce utente e librerie per l'esplorazione e la valutazione di modelli e dati, consentendo una migliore comprensione dei sistemi di intelligenza artificiale. Queste interfacce e librerie consentono a sviluppatori e stakeholder di sistemi di intelligenza artificiale di sviluppare e monitorare l'IA in modo più responsabile e di intraprendere migliori azioni basate sui dati.

microsoft
⭐ 1,858 TypeScript 👤 microsoft Organization 🕐 Aggiornato 2026-11-21 📅 Creato 2020-07-06
8
alexgreensh/attention-span

Fai parlare i tuoi agenti come esseri umani. Stili di output adatti all’ADHD per Claude Code, Codex e altri strumenti. Così puoi concentrarti sui contenuti, non sui token.

alexgreensh
⭐ 1,601 Python 👤 alexgreensh User 🕐 Aggiornato 2026-10-30 📅 Creato 2026-08-04
9
voidful/hung-yi-lee-skill

Distillando le competenze del professor Li Hongyi, combinandole con l’LLM di Karpathy, potenziate da Fable 5 e GPT-6, oltre che da interviste condotte personalmente da me.

voidful
⭐ 1,323 HTML 👤 voidful User 🕐 Aggiornato 2026-08-11 📅 Creato 2026-04-08
10
EthicalML/xai

XAI - Una cassetta degli attrezzi di eXplicabilità per l'apprendimento automatico

EthicalML
⭐ 1,270 Python 👤 EthicalML Organization 🕐 Aggiornato 2025-11-29 📅 Creato 2019-01-11
11
flyingdoog/awesome-graph-explainability-papers

Articoli sull'esplicitabilità delle GNN

flyingdoog
⭐ 821 👤 flyingdoog User 🕐 Aggiornato 2026-11-12 📅 Creato 2021-11-01
12
mmschlk/shapiq

Valori di Shapley e interazioni di Shapley per l’apprendimento automatico

mmschlk
⭐ 797 Python 👤 mmschlk User 🕐 Aggiornato 2026-11-20 📅 Creato 2023-10-17

Domande frequenti

1

Qual è il repository #explainability più popolare su GitHub?

Il progetto open source #explainability più alto in classifica su GitHub è shap/shap, con 25,883 stelle. Un approccio di teoria dei giochi per spiegare l'output di qualsiasi modello di machine learning

2

Quali linguaggi di programmazione sono più utilizzati nei repository #explainability?

Tra i progetti #explainability più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, C++, TypeScript.

3

Come viene calcolata la classifica dei repository #explainability?

Monitoriamo 12 repository open source attivi contrassegnati con #explainability (500+ stelle), per un totale di 69,600 stelle e una media di 5,800 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.