Adalet

Makine öğrenimi modellerini sorumlu bir şekilde değerlendirmek için kayıp metriklerini hesaplamaktan daha fazlasını yapmanız gerekir. Bir modeli üretime sunmadan önce, eğitim verilerini denetlemek ve önyargı için tahminleri değerlendirmek çok önemlidir.

Bu modül, eğitim verilerinde ortaya çıkabilecek farklı insan ön yargı türlerini inceler. Ardından, bu segmentleri belirleme ve etkilerini değerlendirme stratejileri sunar.

Adalet

Mağazadaki rafta bir dizi muz
  • Muzlar
Bir dizi muz
  • Muzlar
  • Çıkartmalar
Bir dizi muz
  • Muzlar
  • Çıkartmalar
  • Raflarda muzlar
Bir dizi muz
  • Yeşil Muzlar
  • Erişmeyen Muzlar
Yeşil muzlar
  • Erişkin
  • Muzlu Ekmekler İçin İyi
Kahverengi muz

Sarı Muzlar

Sarı, muz için prototip niteliğindedir

Bir sürü sarı muz
Tipik bir makine öğrenimi iş akışını gösteren diyagram: veri toplama, model eğitme ve çıkış oluşturma
Verilerde iki tür önyargıyı gösteren şema: verilerde ortaya çıkan insan ön yargıları (grup dışı homojenlik ön yargıları gibi) ve veri toplama ile ek açıklamayı etkileyen insan ön yargıları (onay ön yargısı gibi)
  1. Sorunu düşünün
  1. Sorunu düşünün
  2. Uzmanlara sorun
  1. Sorunu düşünün
  2. Uzmanlara sorun
  3. Modelleri sapmaları hesaba katacak şekilde eğitin
  1. Sorunu düşünün
  2. Uzmanlara sorun
  3. Modelleri sapmaları hesaba katacak şekilde eğitin
  4. Sonuçları yorumlama
  1. Sorunu düşünün
  2. Uzmanlara sorun
  3. Modelleri sapmaları hesaba katacak şekilde eğitin
  4. Sonuçları yorumlama
  5. Bağlamsal olarak yayınlama
Önceki
Öğrendiklerinizi Kontrol Etme
Sonraki
Ön Yargı Türleri