Awesome GitHub RepositoriesMachine Learning Debugging

This project is a comprehensive Chinese translation of a technical deep learning textbook, providing an educational resource on the theory and implementation of neural networks. It functions as a collaborative technical translation project designed to make complex academic AI literature accessible to non-English speakers. The project utilizes a community-driven translation model that integrates external suggestions and pull requests to refine linguistic accuracy and reduce bias. It employs standardized terminology mapping to ensure a uniform vocabulary throughout the translated content. To i

Lit is a machine learning interpretability framework and model debugging tool designed to analyze model behavior and performance. It serves as an interpretability dashboard for large language models and a general performance analyzer for text, image, and tabular datasets. The project distinguishes itself through a comprehensive suite of interpretability tools, including salience map generation for feature attribution, the creation of synthetic and counterfactual examples to test robustness, and the projection of high-dimensional embeddings into visual spaces via UMAP or PCA. It further enable

Dieses Toolkit dient als Framework zur Interpretation der Entscheidungsprozesse von Graph Neural Networks. Es fungiert als Bibliothek zur Analyse der Verarbeitung komplexer Netzwerkdaten durch diese Modelle und bietet Methoden zur Identifizierung spezifischer Knotenattribute und struktureller Muster, die Vorhersageergebnisse beeinflussen. Das Projekt zeichnet sich durch den Einsatz von maskenoptimierter Subgraph-Extraktion und gradientenbasierter Attributions-Mapping aus, um die minimalen Komponenten eines Graphen zu isolieren, die die ursprüngliche Vorhersage eines Modells bewahren. Durch die Trennung von Graph-Verarbeitungsschichten und Erklärungslogik ermöglicht die Architektur eine konsistente Analyse über verschiedene Arten von Graph Neural Networks hinweg, einschließlich konvolutions- und attention-basierter Modelle. Über die reine Interpretation hinaus unterstützt die Bibliothek das Training von Graph-Modellen auf synthetischen und realen Datensätzen und erleichtert das Debugging von Machine-Learning-Modellen. Sie umfasst Funktionen zur Visualisierung von Modellerklärungen durch interaktive Notebooks, was das Rendern von Attributions-Heatmaps und komplexen Netzwerkstrukturen ermöglicht, um einflussreiche Merkmale und Subgraphen zu identifizieren.