explainability

Une approche basée sur la théorie des jeux pour expliquer les résultats de tout modèle de machine learning.

Une liste organisée de bibliothèques open source pour déployer, surveiller, versionner et mettre à l'échelle vos modèles de machine learning.

Ajuster des modèles interprétables. Expliquer l'apprentissage automatique en boîte noire.

Shapash : explicabilité et interprétabilité conviviales pour développer des modèles de Machine Learning fiables et transparents

Diagrammes d'architecture interactifs pour les bases de code.

[CVPR 2021] Implémentation PyTorch officielle pour l'interprétabilité des Transformers au-delà de la visualisation de l'attention, une nouvelle méthode pour visualiser les classifications par les réseaux basés sur les Transformers.

Responsible AI Toolbox est une suite d'outils fournissant des interfaces utilisateur et des bibliothèques d'exploration et d'évaluation de modèles et de données, permettant une meilleure compréhension des systèmes d'IA. Ces interfaces et bibliothèques permettent aux développeurs et aux parties prenantes des systèmes d'IA de développer et de surveiller l'IA de manière plus responsable, et de prendre de meilleures décisions basées sur les données.

XAI - Une boîte à outils d'explicabilité pour le machine learning

Distillation des compétences du professeur Hung-yi Lee, combinée aux LLM de Karpathy, optimisée par Fable 5 et enrichie d'entretiens personnels.

Rendez vos agents plus humains. Styles de sortie adaptés au TDAH pour Claude Code, Codex et autres, pour vous concentrer sur le contenu plutôt que sur les jetons.

Articles sur l'explicabilité des GNN

Interactions de Shapley et valeurs de Shapley pour l'apprentissage automatique.