explainable-ai

Explicabilité avancée de l'IA pour la vision par ordinateur. Support pour les CNN, Vision Transformers, classification, détection d'objets, segmentation, similarité d'images et plus encore.

Plongez dans le Deep Learning, l'apprentissage par renforcement, le Machine Learning, la vision par ordinateur et le NLP grâce à ces cours passionnants !

Infrastructure native aux graphes pour les systèmes d'IA contextuels et responsables.

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

Inférence par découpage/tuilage agnostique au framework, interface utilisateur interactive et graphiques d'analyse d'erreurs

Régression symbolique haute performance en Python et Julia.

Débogage, surveillance et visualisation pour le Machine Learning et la Data Science en Python

Couche d'interopérabilité contextuelle basée sur les hypergraphes. Construisez une couche de contexte sémantique unifiée où les résultats des agents sont déterministes et le comportement des agents est non seulement traçable, mais cryptographiquement vérifiable.

Le système d'auto-codage pour votre application — SDK Alan AI pour le Web

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.

L'IA en marche. Un pipeline de deep learning automatisé. Une approche SGBDR pour le deep learning. Déclaratif, explicable, évolutif, optimisable et facile à déployer.

Interprétabilité et explicabilité des données et des modèles d'apprentissage automatique.

Une collection de ressources de recherche sur l'IA/ML explicable.

Package ML interprétable 🔍 pour une modélisation prédictive concise, transparente et précise (compatible sklearn).

Générez des explications contrefactuelles diversifiées pour tout modèle d'apprentissage automatique.

Langage agnostique au modèle pour l'exploration et l'explication

Une liste organisée de ressources sur la Conformal Prediction incluant vidéos, tutoriels, livres, articles, thèses de doctorat et de master, ainsi que des bibliothèques open-source.

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

[CONTRIBUTORS WELCOME] Modèles additifs généralisés en Python

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.

OmniXAI : une bibliothèque pour l'IA explicable

Articles ICCV 2023-2025 : Découvrez la recherche de pointe de l'ICCV 2023-25, la conférence de référence en vision par ordinateur. Restez informé des dernières avancées en vision par ordinateur et deep learning, code inclus. ⭐ soutenez le développement de l'intelligence visuelle !

Importance par suppression d'une caractéristique (Leave One Feature Out)

Articles sur l'explicabilité des GNN

Régression symbolique distribuée haute performance en Julia.

Cartes d'attribution basées sur l'attention pour l'interprétation de Stable Diffusion.

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

Xplique est une boîte à outils pour l'explicabilité des réseaux de neurones

Privacy Meter : Une bibliothèque open-source pour auditer la confidentialité des données dans les algorithmes statistiques et d'apprentissage automatique.

[JMLR 2023] Quantus est un kit d'IA explicable pour l'évaluation responsable des explications de réseaux de neurones