Awesome GitHub RepositoriesArray-Based Tree Modeling

This project is a comprehensive collection of common computer science algorithms and data structures implemented in Swift. It serves as an educational reference and library for studying computational complexity, algorithmic logic, and data structure engineering through practical code examples. The repository provides a wide suite of data structure implementations, including various types of linked lists, heaps, hash tables, and an extensive range of hierarchical trees such as Red-Black, B-Tree, and Splay trees. It also covers diverse sorting and searching techniques, from basic bubble sort to

SHAP is a machine learning explainer that uses a game-theoretic framework to estimate the contribution of each feature to a model prediction. It provides a set of tools for quantifying how individual input features push a specific output away from a baseline value. The project includes specialized explainers for different architectures, including high-speed implementations for decision trees and ensemble models, linearization algorithms for deep learning networks, and covariance integration for linear models. It also features a model-agnostic interpretability tool that uses a kernel method to

Este proyecto es un recurso educativo integral y manual técnico centrado en el machine learning interpretable y la IA explicable. Sirve como libro de texto y referencia para implementar técnicas que hacen que los modelos de machine learning complejos sean transparentes y comprensibles para los humanos. El recurso proporciona orientación tanto sobre la construcción de modelos inherentemente transparentes, como árboles de decisión y modelos lineales dispersos, como sobre la aplicación de métodos de explicación post-hoc a sistemas de caja negra. Detalla metodologías específicas para cuantificar la importancia de las características, generar fundamentos para predicciones individuales y utilizar modelos sustitutos para aproximar procesos complejos de toma de decisiones. El contenido cubre una amplia gama de capacidades analíticas, incluyendo el análisis de influencia de características globales y locales, la interpretabilidad de visión artificial y el uso de contribuciones de teoría de juegos como los valores de Shapley. También aborda la evaluación de modelos mediante evaluaciones de interpretabilidad, flujos de trabajo de depuración para identificar atajos de modelos y el diseño de estructuras de algoritmos transparentes. El proyecto se implementa como una colección de Jupyter Notebooks.

EconML es una biblioteca de Python para inferencia causal diseñada para estimar efectos de tratamiento heterogéneos utilizando una combinación de aprendizaje automático y econometría. Sirve como kit de herramientas para calcular efectos de tratamiento promedio condicionales para determinar cómo las intervenciones específicas impactan a individuos o subgrupos. El proyecto proporciona un framework para el aprendizaje automático doble y el aprendizaje automático ortogonal para aislar señales causales de factores de confusión de alta dimensión. Incluye implementaciones especializadas para bosques causales y aprendices de variables instrumentales, lo que permite la recuperación de relaciones causales incluso en presencia de factores de confusión no observados. La biblioteca cubre una amplia gama de capacidades, incluyendo la validación de modelos causales mediante pruebas de refutación y curvas de calibración, la construcción de políticas de tratamiento personalizadas y el análisis de regímenes de tratamiento dinámicos. También admite la inferencia estadística para la cuantificación de la incertidumbre y la interpretación de la heterogeneidad del efecto utilizando modelos basados en árboles y valores de Shapley. El proyecto se implementa y demuestra principalmente a través de Jupyter Notebooks.