explainability

Un enfoque de teoría de juegos para explicar la salida de cualquier modelo de machine learning.

Una lista seleccionada de excelentes bibliotecas de código abierto para implementar, monitorear, versionar y escalar tu aprendizaje automático.

Ajusta modelos interpretables. Explica el aprendizaje automático de caja negra.

🔅 Shapash: Explicabilidad e interpretabilidad fáciles de usar para desarrollar modelos de Machine Learning fiables y transparentes

Diagramas de arquitectura interactivos para bases de código

[CVPR 2021] Implementación oficial en PyTorch para Transformer Interpretability Beyond Attention Visualization, un método novedoso para visualizar clasificaciones en redes basadas en Transformer.

Responsible AI Toolbox es un conjunto de herramientas que proporciona interfaces de usuario y bibliotecas para la exploración y evaluación de modelos y datos, permitiendo una mejor comprensión de los sistemas de IA. Estas interfaces y bibliotecas permiten a los desarrolladores y partes interesadas de los sistemas de IA desarrollar y supervisar la IA de forma más responsable, tomando mejores decisiones basadas en datos.

XAI - Una caja de herramientas de explicabilidad para aprendizaje automático

Destilación de las habilidades del profesor Hung-yi Lee, combinada con el LLM de Karpathy, potenciada por Fable 5 y entrevistas personales.

Haz que tus agentes hablen como humanos. Estilos de salida amigables con el TDAH para Claude Code, Codex y otros, para que puedas prestar atención, no a los tokens.

Artículos sobre la explicabilidad de las GNN

Interacciones de Shapley y valores de Shapley para aprendizaje automático