Awesome GitHub RepositoriesHeatmap Visualizations

Umami is a self-hosted, privacy-focused web analytics platform designed to provide full control over infrastructure and user data. It captures website traffic and visitor behavior through anonymous tracking methods that avoid cookies, browser fingerprinting, and the storage of personally identifiable information. The platform distinguishes itself through a comprehensive suite of behavioral analysis tools, including session replays, heatmaps, and cohort-based retention reporting. It features a multi-tenant architecture that allows teams to manage multiple websites within a single, collaborativ

ApexCharts is a comprehensive JavaScript charting library designed for building interactive, responsive, and data-driven visualizations within web applications. It functions as a versatile data visualization framework that supports a wide range of chart types, including categorical, statistical, and financial plots, enabling developers to construct complex dashboards and real-time monitoring interfaces. The library distinguishes itself through a deep commitment to accessibility and high-performance interactivity. It provides built-in support for keyboard navigation, screen readers, and high-c

Este proyecto es una biblioteca y framework de IA explicable de visión por computadora para PyTorch, que proporciona un conjunto de herramientas para visualizar y auditar los procesos internos de toma de decisiones de las redes neuronales profundas. Sirve como una herramienta de atribución de red neuronal y utilidad de depuración para identificar qué regiones de la imagen impulsan las predicciones del modelo. La biblioteca se distingue por su soporte para métodos de atribución basados en gradientes y sin gradientes, lo que permite la generación de mapas de calor visuales y mapas de atribución sin requerir modificaciones en el código fuente del modelo original. Se diferencia aún más a través del descubrimiento de conceptos visuales, utilizando factorización de matrices para descomponer activaciones internas en patrones interpretables y mapear incrustaciones latentes a la importancia de los píxeles. El framework cubre una amplia gama de capacidades, incluyendo generación y refinamiento de mapas de calor, transformación espacial para arquitecturas como transformadores de visión y adaptaciones para objetivos de visión multitarea como detección de objetos y segmentación semántica. También incluye una suite de evaluación de fidelidad del modelo que emplea análisis de perturbación, estudios de ablación y mediciones de localización para cuantificar la fidelidad de las explicaciones generadas. El proyecto proporciona mecanismos para el enganche dinámico de activación, adaptación de arquitectura personalizada y configuración de objetivos impulsada por objetivos para conectar herramientas de explicabilidad a varias salidas de modelos.

heatmap.js is a JavaScript data visualization library used to render data density visualizations on a web page. It functions as an HTML5 canvas heatmap library that represents the intensity of data points across a coordinate system using color gradients. The library provides tools for geospatial distribution mapping and user behavior analysis, such as mapping click patterns and interaction hotspots. It is also used to add visual intensity layers to interactive data dashboards to identify trends and anomalies.

Captum is an open-source library for explaining model predictions by attributing them to input features, neurons, and layers using gradient-based and perturbation-based methods. It provides a modular framework for implementing, evaluating, and combining a range of explanation techniques, including gradient-based attribution, perturbation-based analysis, game-theoretic Shapley value approximation, and surrogate model explanations, with support for parallelization and noise stabilization. The library distinguishes itself through its breadth of attribution methods and its support for advanced in

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.