主題 · explainable-ml

explainable-ml

標記 explainable-ml 主題、收錄中的開源專案，依星數排序。

專案數

總星數

49,061

平均星數

2,886

佔比

0.00%

常跟 explainable-ml 一起出現在同一個專案上的主題。

近期新秀

近 90 天內建立、標記 explainable-ml 主題的專案。

近 90 天內還沒有新專案標記這個主題。

#1
pytorch-grad-cam ↗@jacobgilPython
先進的 AI 可解釋性工具，支援電腦視覺的 CNN、Vision Transformers、分類、目標偵測、分割、影像相似度等。
★ 12,963+5近 7 天星數變化
#2
interpret ↗@interpretmlC++
適配可解釋模型。說明黑盒機器學習。
★ 6,935+7近 7 天星數變化
#3
awesome-machine-learning-interpretability ↗@jphall663
精选负责任机器学习资源列表
★ 4,065+5近 7 天星數變化
#4
trulens ↗@trueraPython
LLM 實驗與 AI 代理的評估與追蹤
★ 3,530+5近 7 天星數變化
#5
tensorwatch ↗@microsoftJupyter Notebook
Python 机器学习与数据科学的调试、监控与可视化
★ 3,472+1近 7 天星數變化
#6
shapash ↗@MAIFJupyter Notebook
🔅 Shapash：使用者友善的可解釋性與可解讀性工具，協助開發可靠且透明的機器學習模型
★ 3,252+1近 7 天星數變化
#7
DIG ↗@divelabPython
用於圖深度學習研究的程式庫
★ 2,009+2近 7 天星數變化
#8
responsible-ai-toolbox ↗@microsoftTypeScript
Responsible AI Toolbox 是一套提供模型與資料探索、評估使用者介面及程式庫的工具，能協助深入理解 AI 系統。這些介面與程式庫賦能開發人員與 AI 系統利害關係人，使其能更負責任地開發與監控 AI，並採取更好的資料驅動行動。
★ 1,830+6近 7 天星數變化
#9
AIX360 ↗@Trusted-AIPython
資料與機器學習模型的直觀性與可解釋性
★ 1,799+3近 7 天星數變化
#10
imodels ↗@csinvaJupyter Notebook
可解釋機器學習套件 🔍，用於簡潔、透明且準確的預測模型建立（相容於 sklearn）。
★ 1,618+1近 7 天星數變化
#11
DiCE ↗@interpretmlPython
為任何機器學習模型生成多樣化的反事實解釋。
★ 1,526+1近 7 天星數變化
#12
DALEX ↗@ModelOrientedPython
用於探索與解釋的與模型無關語言
★ 1,485+0近 7 天星數變化
#13
xai ↗@EthicalMLPython
XAI - 機器學習的可解釋性工具箱
★ 1,260+1近 7 天星數變化
#14
pyGAM ↗@dswahPython
[歡迎貢獻] Python 中的廣義加法模型 (GAM)
★ 1,013+0近 7 天星數變化
#15
OmniXAI ↗@salesforceJupyter Notebook
OmniXAI：一個用於可解釋 AI（eXplainable AI）的函式庫
★ 970+0近 7 天星數變化
#16
xplique ↗@deel-aiPython
👋 Xplique 是一個神經網路可解釋性工具箱
★ 751+0近 7 天星數變化
#17
Aspect-Based-Sentiment-Analysis ↗@ScalaConsultantsPython
💭 基於層面的情感分析：Transformer 與可解釋機器學習 (TensorFlow)
★ 583+0近 7 天星數變化

← 返回主題列表

相關主題

近期新秀