Sprawiedliwość

Ocenianie modelu systemów uczących się wymaga więcej niż tylko obliczania danych o stratach. Zanim umieścisz model w środowisku produkcyjnym, musisz mieć kontrolę nad danymi treningowymi i oszacować prognozy błędów.

Ten moduł analizuje różne rodzaje uprzedzeń, które mogą być widoczne w danych treningowych. Następnie prezentuje strategie pozwalające je zidentyfikować i ocenić ich efekty.

Sprawiedliwość

Kilka bananów na półce w sklepie
  • Banany
Kilka bananów
  • Banany
  • naklejki
Kilka bananów
  • Banany
  • naklejki
  • Banany na półkach
Kilka bananów
  • Zielone
  • Niedojrzałe banany
Kilka zielonych bananów
  • banany.
  • Dobre miejsce na chleb bananowy
Kilka brązowych bananów

Żółte banany

Żółty – substytut bananów

Kilka żółtych bananów
Diagram przedstawiający typowy przepływ pracy systemów uczących się: zbieranie danych, trenowanie modelu i generowanie danych wyjściowych
Schemat przedstawiający 2 rodzaje uprzedzeń w danych: odchylenia osób widoczne w danych (np. odchylenie w grupie jednorodności) i odchylenia osób wpływające na zbieranie danych i adnotacje (np. odchylenie w przypadku potwierdzeń)
  1. Przemyśl problem
  1. Przemyśl problem
  2. Zapytaj eksperta
  1. Przemyśl problem
  2. Zapytaj eksperta
  3. Trenuj modele, aby uwzględniać odchylenie
  1. Przemyśl problem
  2. Zapytaj eksperta
  3. Trenuj modele, aby uwzględniać odchylenie
  4. Interpretowanie wyników
  1. Przemyśl problem
  2. Zapytaj eksperta
  3. Trenuj modele, aby uwzględniać odchylenie
  4. Interpretowanie wyników
  5. Publikowanie z wykorzystaniem kontekstu
Wstecz
Sprawdź swoją wiedzę
Dalej
Typy odchyleń