#explainable-ai Repositórios
Descubra 49 repositórios ativos de código aberto no GitHub marcados com #explainable-ai, acumulando um total de 137,847 estrelas (uma média de 2,813 por projeto). O líder deste tópico é KindXiaoming/pykan, com 16,291 estrelas.
49 repositórios no total
Explicabilidade avançada de IA para visão computacional. Suporte para CNNs, Vision Transformers, Classificação, Detecção de objetos, Segmentação, Similaridade de imagem e muito mais.
Mergulhe em Deep Learning, Reinforcement Learning, Machine Learning, Computer Vision e NLP aprendendo com estas palestras emocionantes!!
Ajuste modelos interpretáveis. Explique aprendizado de máquina de caixa preta.
Inferência fatiada/em mosaico agnóstica a frameworks + UI interativa + gráficos de análise de erros
Depuração, monitoramento e visualização para Aprendizado de Máquina e Ciência de Dados com Python
O ambiente de execução de ontologias de código aberto para agentes de IA.
A Responsible AI Toolbox é um conjunto de ferramentas que fornece interfaces de usuário e bibliotecas para exploração e avaliação de modelos e dados, permitindo uma melhor compreensão dos sistemas de IA. Essas interfaces e bibliotecas capacitam desenvolvedores e partes interessadas de sistemas de IA a desenvolver e monitorar a IA de forma mais responsável e a tomar ações mais orientadas por dados.
A IA está a caminho. Um sonho de aprendizado profundo automático. Uma abordagem RDBMS para aprendizado profundo. Declarativo, explicável, escalável, otimizável, fácil de implantar, todas essas coisas boas.
Interpretabilidade e explicabilidade de dados e modelos de aprendizado de máquina
Uma coleção de materiais de pesquisa sobre IA/ML explicável
Pacote de ML Interpretável 🔍 para modelagem preditiva concisa, transparente e precisa (compatível com sklearn).
Faça seus agentes falarem como pessoas. Estilos de saída adaptados para TDAH no Claude Code, Codex e outros. Para que você preste atenção ao conteúdo, não aos tokens.
Gerar Explicações Contrafactuais Diversas para qualquer modelo de aprendizado de máquina.
Uma lista selecionada profissionalmente de incríveis vídeos, tutoriais, livros, trabalhos, teses de doutorado e mestrado, artigos e bibliotecas de código aberto sobre Predição Conforme.
Biblioteca de extração de características de séries temporais (TSFEL): mais de 60 características estatísticas, temporais, espectrais e fractais para classificação e regressão de séries temporais e processamento de sinais em Python
Artigos ICCV 2023-2025: Descubra pesquisas de ponta da ICCV 2023-25, a principal conferência de visão computacional. Mantenha-se atualizado sobre o que há de mais recente em visão computacional e aprendizado profundo, com código incluído. ⭐ Apoie o desenvolvimento da inteligência visual!
Exploração de arquiteturas de AGI de caixa branca: metacognição (ciclo de autoconsciência), aprendizagem contínua (volante do conhecimento), modelo do mundo (espaço condicional + grafo semântico espaço-temporal), autoaperfeiçoamento (disciplina de bootstrap), pipeline de caixa branca sem LLM e salvaguardas de confiança auditáveis.
Privacy Meter: Uma biblioteca de código aberto para auditar a privacidade de dados em algoritmos estatísticos e de aprendizado de máquina.
Inspecione, visualize e intervenha em qualquer operação de qualquer rede neural. Capture todas as ativações e gradientes, o grafo computacional completo e mais de 800 campos de metadados, sem alterar o código do modelo. Compatível com PyTorch, JAX, TensorFlow, MLX, PaddlePaddle e tinygrad. Validado em mais de 6.400 modelos. Desenvolvido para pesquisadores e seus agentes de IA.
Usar GPT para organizar e acessar informações e gerar perguntas. O objetivo de longo prazo é criar um assistente de pesquisa semelhante a um agente.
[JMLR 2023] Quantus é um kit de ferramentas de IA explicável para a avaliação responsável de explicações de redes neurais
Um detector de texto de IA de código aberto para identificar conteúdo gerado por IA em ensaios, artigos e documentos. Oferece suporte à detecção em nível de documento e de frase, com classificação de conteúdo humano, gerado por IA e misto, resultados explicáveis e desenvolvimento de modelos multilíngues.
💭 Análise de Sentimento Baseada em Aspectos: Transformer & ML Explicável (TensorFlow)
Links para publicações de conferências/revistas em verificação automatizada de fatos (recursos para o artigo TACL22/EMNLP23).
Implementação em PyTorch para o artigo "Dirigindo com LLMs: Fusão de Modalidade Vetorial em Nível de Objeto para Condução Autônoma Explicável"
Motor para rastreamento, visualização, explicabilidade, detecção de desvio e painéis de IA/ML/dados para Polyaxon.
Perguntas Frequentes
Qual é o repositório de #explainable-ai mais popular no GitHub?
O projeto de código aberto de #explainable-ai mais bem classificado no GitHub é KindXiaoming/pykan, com 16,291 estrelas. Redes de Kolmogorov Arnold
Quais linguagens de programação são mais usadas nos repositórios de #explainable-ai?
Entre os projetos de #explainable-ai mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Jupyter Notebook, HTML, JavaScript.
Como é calculada a classificação dos repositórios de #explainable-ai?
Acompanhamos 49 repositórios ativos de código aberto marcados com #explainable-ai (com mais de 500 estrelas), totalizando 137,847 estrelas e uma média de 2,813 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.