explainability

Uma abordagem da teoria dos jogos para explicar a saída de qualquer modelo de machine learning.

Uma lista selecionada de incríveis bibliotecas open-source para implantar, monitorar, versionar e dimensionar seu aprendizado de máquina

Ajuste modelos interpretáveis. Explique o aprendizado de máquina de caixa-preta.

Shapash: Explicabilidade e interpretabilidade amigáveis para desenvolver modelos de Machine Learning confiáveis e transparentes

Diagramas de arquitetura interativos para bases de código

[CVPR 2021] Implementação oficial em PyTorch para Transformer Interpretability Beyond Attention Visualization, um novo método para visualizar classificações por redes baseadas em Transformer.

O 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 de sistemas de IA. Essas interfaces e bibliotecas capacitam desenvolvedores e partes interessadas a desenvolver e monitorar a IA de forma mais responsável e a tomar melhores decisões baseadas em dados.

XAI - Uma caixa de ferramentas de explicabilidade para machine learning

Destilação das habilidades do professor Li Hung-yi, combinada com LLMs de Karpathy, aprimorada pelo Fable 5 e entrevistas pessoais

Faça seus agentes falarem como humanos. Estilos de saída amigáveis para TDAH para Claude Code, Codex e outros. Para você prestar atenção, e não gastar tokens.

Artigos sobre a interpretabilidade de GNNs

Interações de Shapley e Valores de Shapley para Machine Learning