AIF360
Un ensemble complet de métriques d'équité pour les ensembles de données et les modèles d'apprentissage automatique, des explications pour ces métriques et des algorithmes pour atténuer les biais dans les ensembles de données et les modèles.
Évaluez et réduisez les biais dans les modèles et ensembles de données d'apprentissage machine en utilisant une boîte à outils avec des métriques d'équité et des algorithmes de correction.
Revendiquez sa page : indexée quel que soit son rang, traduite en six langues, et enrichie de vos propres mots.
Recevez une alerte par e-mail à sa prochaine version ou quand il décolle — ne ratez plus rien.
Gratuit · sans carte · désinscription à tout momentUn ensemble complet de métriques d'équité pour les ensembles de données et les modèles d'apprentissage automatique, des explications pour ces métriques et des algorithmes pour atténuer les biais dans les ensembles de données et les modèles.
AIF360 compte 2.8k étoiles sur GitHub. Il a été forké 912 fois. AIF360 est écrit principalement en Python. Il est développé activement depuis 2018. AIF360 est disponible sous licence Apache-2.0. Ses principaux thèmes sont : ai, artificial-intelligence, bias, bias-correction.
Qu'est-ce que AIF360 ?
Un ensemble complet de métriques d'équité pour les ensembles de données et les modèles d'apprentissage automatique, des explications pour ces métriques et des algorithmes pour atténuer les biais dans les ensembles de données et les modèles.
AIF360 est-il open source ?
AIF360 est un projet open source. Il est distribué sous licence Apache-2.0.
AIF360 est-il gratuit ?
Oui. AIF360 est gratuit et open source — vous pouvez l'utiliser, le modifier et l'héberger vous-même.
Sous quelle licence est AIF360 ?
AIF360 est disponible sous licence Apache-2.0.
Dans quel langage AIF360 est-il écrit ?
AIF360 est écrit principalement en Python.
Ajoutez ce badge en direct à votre README — vos étoiles GitHub et votre classement dans le répertoire, actualisés quotidiennement.
[](https://olud.ai/project/trusted-ai-aif360.html)
Mesuré à partir des topics GitHub communs aux deux projets, pondérés par leur rareté.