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

Este kit de herramientas sirve como framework para interpretar los procesos de toma de decisiones de las redes neuronales de grafos. Funciona como una librería para analizar cómo estos modelos procesan datos de redes complejas, proporcionando métodos para identificar los atributos de nodo específicos y los patrones estructurales que influyen en los resultados predictivos. El proyecto se distingue por emplear extracción de subgrafos optimizada por máscaras y mapeo de atribución basado en gradientes para aislar los componentes mínimos de un grafo que preservan la predicción original de un modelo. Al separar las capas de procesamiento de grafos de la lógica de explicación, la arquitectura permite un análisis consistente en varios tipos de redes neuronales de grafos, incluyendo modelos convolucionales y basados en atención. Más allá de la interpretación central, la librería admite el entrenamiento de modelos de grafos en conjuntos de datos sintéticos y del mundo real, y facilita la depuración de modelos de machine learning. Incluye capacidades para visualizar explicaciones de modelos a través de notebooks interactivos, permitiendo el renderizado de mapas de calor de atribución y estructuras de red complejas para ayudar en la identificación de características y subgrafos influyentes.