explainability

Ein spieltheoretischer Ansatz, um die Ausgabe jedes Machine-Learning-Modells zu erklären.

Eine kuratierte Liste fantastischer Open-Source-Bibliotheken zum Bereitstellen, Überwachen, Versionieren und Skalieren von maschinellem Lernen.

Interpretierbare Modelle anpassen. Black-Box-Maschinelles-Lernen erklären.

🔅 Shapash: Benutzerfreundliche Erklärbarkeit und Interpretierbarkeit zur Entwicklung zuverlässiger und transparenter Machine-Learning-Modelle

Interaktive Architektursdiagramme für Codebases

[CVPR 2021] Offizielle PyTorch-Implementierung für Transformer Interpretability Beyond Attention Visualization, eine neuartige Methode zur Visualisierung von Klassifikationen durch Transformer-basierte Netzwerke.

Die Responsible AI Toolbox ist eine Suite von Tools, die Benutzeroberflächen und Bibliotheken zur Modell- und Datenexploration sowie -bewertung bereitstellt, um ein besseres Verständnis von KI-Systemen zu ermöglichen. Diese Oberflächen und Bibliotheken befähigen Entwickler und Stakeholder von KI-Systemen, KI verantwortungsvoller zu entwickeln und zu überwachen sowie bessere datengestützte Entscheidungen zu treffen.

Destillierte Fähigkeiten von Prof. Lee Hung-yi, kombiniert mit Karpathys LLM, unterstützt durch Fable 5 sowie persönliche Interviews

XAI - Eine Explainability-Toolbox für maschinelles Lernen

Lassen Sie Ihre Agents menschlich sprechen. ADHS-freundliche Ausgabeformate für Claude Code, Codex und andere, damit Sie auf den Inhalt statt auf Token achten.

Forschungsarbeiten zur Erklärbarkeit von GNNs

Shapley-Interaktionen und Shapley-Werte für maschinelles Lernen