Correttezza

Mantieni tutto organizzato con le raccolte Salva e classifica i contenuti in base alle tue preferenze.

La valutazione responsabile di un modello di machine learning richiede molto di più del semplice calcolo delle metriche relative alle perdite. Prima di mettere un modello in produzione, è fondamentale controllare i dati di addestramento e valutare le previsioni per i bias.

Questo modulo esamina diversi tipi di bias umani che possono manifestarsi nei dati di addestramento. Fornisce poi strategie per identificarli e valutarne gli effetti.

Correttezza

Un mazzo di banane su uno scaffale di un negozio
  • Banane
Un mazzo di banane
  • Banane
  • Adesivi
Un mazzo di banane
  • Banane
  • Adesivi
  • Banane sugli scaffali
Un mazzo di banane
  • Verde Banane
  • Non aromatico banane
Un mazzo di banane verdi
  • Overripe Banane
  • Adatto al pane alla banana
Un mazzo di banane marroni

Giallo Banane

Giallo è prototipizzato per le banane

Un mazzo di banane gialle
Un diagramma che illustra un flusso di lavoro tipico del machine learning: raccogliere dati, addestrare un modello e generare output
Diagramma che illustra due tipi di bias nei dati: bias umani che si manifestano nei dati (ad esempio bias di omogeneità esterni) e bias umani che influiscono sulla raccolta e sull'annotazione dei dati (ad esempio bias di conferma)
  1. Considera il problema
  1. Considera il problema
  2. Chiedi agli esperti
  1. Considera il problema
  2. Chiedi agli esperti
  3. Addestra i modelli per tenere conto dei bias
  1. Considera il problema
  2. Chiedi agli esperti
  3. Addestra i modelli per tenere conto dei bias
  4. Interpretare i risultati
  1. Considera il problema
  2. Chiedi agli esperti
  3. Addestra i modelli per tenere conto dei bias
  4. Interpretare i risultati
  5. Pubblicazione con contesto