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

Ce toolkit sert de framework pour interpréter les processus décisionnels des réseaux de neurones sur graphes. Il fonctionne comme une bibliothèque permettant d'analyser la manière dont ces modèles traitent des données réseau complexes, en fournissant des méthodes pour identifier les attributs de nœuds et les structures spécifiques qui influencent les résultats prédictifs. Le projet se distingue par l'utilisation de l'extraction de sous-graphes optimisée par masque et de la cartographie d'attribution basée sur le gradient pour isoler les composants minimaux d'un graphe qui préservent la prédiction originale d'un modèle. En séparant les couches de traitement de graphes de la logique d'explication, l'architecture permet une analyse cohérente sur divers types de réseaux de neurones sur graphes, y compris les modèles convolutifs et basés sur l'attention. Au-delà de l'interprétation fondamentale, la bibliothèque prend en charge l'entraînement de modèles sur graphes sur des jeux de données synthétiques et réels, et facilite le débogage des modèles de machine learning. Elle inclut des capacités de visualisation des explications de modèles via des notebooks interactifs, permettant le rendu de cartes de chaleur d'attribution et de structures réseau complexes pour aider à identifier les caractéristiques et sous-graphes influents.