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

Acest proiect este o bibliotecă și un framework de viziune computerizată explicabilă (XAI) pentru PyTorch, oferind o suită de instrumente pentru a vizualiza și audita procesele interne de luare a deciziilor ale rețelelor neuronale profunde. Servește drept instrument de atribuire a rețelelor neuronale și utilitar de depanare pentru a identifica ce regiuni ale imaginii conduc predicțiile modelului. Biblioteca se distinge prin suportul său pentru metode de atribuire bazate pe gradient și fără gradient, permițând generarea de hărți de căldură vizuale și hărți de atribuire fără a necesita modificări ale codului sursă original al modelului. Se diferențiază în continuare prin descoperirea conceptelor vizuale, utilizând factorizarea matricială pentru a descompune activările interne în tipare interpretabile și mapând embedding-urile latente la importanța pixelilor. Framework-ul acoperă o gamă largă de capabilități, inclusiv generarea și rafinarea hărților de căldură, transformarea spațială pentru arhitecturi precum vision transformers și adaptări pentru obiective de viziune multi-task, cum ar fi detectarea obiectelor și segmentarea semantică. Include, de asemenea, o suită de evaluare a fidelității modelului care utilizează analiza perturbațiilor, studii de ablație și măsurători de localizare pentru a cuantifica fidelitatea explicațiilor generate. Proiectul oferă mecanisme pentru hooking-ul dinamic al activărilor, adaptarea arhitecturilor personalizate și configurarea obiectivelor bazate pe țintă pentru a conecta instrumentele de explicabilitate la diverse output-uri ale modelelor.

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

Acest proiect este o resursă educațională cuprinzătoare și un manual tehnic axat pe machine learning interpretabil și AI explicabil. Servește ca manual și referință pentru implementarea tehnicilor care fac modelele complexe de machine learning transparente și ușor de înțeles pentru oameni. Resursa oferă îndrumări atât pentru construirea modelelor inerent transparente, cum ar fi arborii de decizie și modelele liniare rare, cât și pentru aplicarea metodelor de explicare post-hoc sistemelor black-box. Detaliază metodologii specifice pentru cuantificarea importanței caracteristicilor, generarea de raționamente pentru predicții individuale și utilizarea modelelor surogat pentru a aproxima procesele complexe de luare a deciziilor. Conținutul acoperă o gamă largă de capabilități analitice, inclusiv analiza influenței caracteristicilor globale și locale, interpretabilitatea viziunii computerizate și utilizarea contribuțiilor teoretice ale jocurilor, cum ar fi valorile Shapley. De asemenea, abordează evaluarea modelului prin evaluări de interpretabilitate, fluxuri de lucru de depanare pentru a identifica scurtăturile modelului și designul structurilor algoritmice transparente. Proiectul este implementat ca o colecție de Jupyter Notebooks.