explainable-ai

Explicabilidade avançada de IA para visão computacional. Suporte para CNNs, Vision Transformers, classificação, detecção de objetos, segmentação, similaridade de imagem e muito mais.

Mergulhe em Deep Learning, Reinforcement Learning, Machine Learning, Computer Vision e NLP através destas aulas empolgantes!

Infraestrutura nativa em grafos para sistemas de IA contextuais e responsáveis

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

Inferência fatiada/lado a lado agnóstica a framework + interface interativa + gráficos de análise de erro

Regressão simbólica de alto desempenho em Python e Julia

Depuração, monitoramento e visualização para Machine Learning e Ciência de Dados em Python.

A camada de interoperabilidade de contexto alimentada por hipergrafos. Construa uma camada de contexto semântico unificada onde os resultados dos agentes são determinísticos e o comportamento do agente não é apenas rastreável, mas verificável criptograficamente.

O sistema de auto-codificação para seu aplicativo — Alan AI SDK para Web.

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.

IA a caminho. Um sonho impossível de pipeline de deep learning automatizado. Uma abordagem de RDBMS para deep learning. Declarativo, explicável, escalável, otimizável, fácil de implantar, todas essas coisas boas.

Interpretabilidade e explicabilidade de dados e modelos de aprendizado de máquina

Uma coleção de materiais de pesquisa sobre IA/ML explicável

Pacote de ML interpretável 🔍 para modelagem preditiva concisa, transparente e precisa (compatível com sklearn).

Gere explicações contrafatuais diversas para qualquer modelo de machine learning.

Linguagem agnóstica de modelo para exploração e explicação.

Uma lista curada profissionalmente de vídeos, tutoriais, livros, artigos, teses e bibliotecas open-source sobre Conformal Prediction.

XAI - Uma caixa de ferramentas de explicabilidade para machine learning

[CONTRIBUIDORES BEM-VINDOS] Modelos Aditivos Generalizados em Python

OmniXAI: Uma biblioteca para IA explicável.

Artigos da ICCV 2023-2025: Descubra pesquisas de ponta da ICCV 2023-25, a principal conferência de visão computacional. Mantenha-se atualizado sobre o que há de mais moderno em visão computacional e aprendizado profundo, com código incluído. ⭐ Apoie o desenvolvimento de inteligência visual!

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.

Importância de deixar um recurso de fora (LOFO)

Artigos sobre a interpretabilidade de GNNs

Regressão simbólica distribuída de alto desempenho em Julia

Mapas de atribuição com atenção de difusão para interpretar o Stable Diffusion.

Interações de Shapley e Valores de Shapley para Machine Learning

👋 Xplique é uma caixa de ferramentas de interpretabilidade de redes neurais

Privacy Meter: Uma biblioteca de código aberto para auditar a privacidade de dados em algoritmos estatísticos e de machine learning.

[JMLR 2023] Quantus é um kit de ferramentas de IA explicável para a avaliação responsável de explicações de redes neurais