#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 repository in totale
Un approccio di teoria dei giochi per spiegare l'output di qualsiasi modello di machine learning
Una lista curata di eccellenti librerie open source per implementare, monitorare, versionare e scalare il tuo machine learning
🔅 Shapash: Spiegabilità e Interpretabilità User-Friendly per Sviluppare Modelli di Machine Learning Affidabili e Trasparenti
[CVPR 2021] Implementazione ufficiale PyTorch per Transformer Interpretability Beyond Attention Visualization, un nuovo metodo per visualizzare classificazioni da reti basate su Transformer.
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.
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.
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.
Domande frequenti
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
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.
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.