Equidad

Duración estimada del módulo: 110 minutos

Evaluar un modelo de aprendizaje automático (AA) de forma responsable requiere hacer más que solo calcular las métricas de pérdida generales. Antes de implementar un modelo en producción, es fundamental controlar los datos de entrenamiento y evaluar las predicciones para detectar sesgos.

En este módulo, se analizan los distintos tipos de sesgos cognitivos humanos que se pueden manifestar en los datos de entrenamiento. Luego, ofrece estrategias para identificarlos y mitigarlos, y, luego, evaluar el rendimiento del modelo con equidad.

Objetivos de aprendizaje

• Conozca los sesgos cognitivos humanos que pueden ser reproducidos por algoritmos de AA.
• Explora los datos de forma proactiva para identificar las fuentes de sesgo antes de entrenar un modelo.
• Evalúa las predicciones del modelo en busca de sesgos.

Requisitos previos:

En este módulo, se supone que estás familiarizado con los conceptos que se abordan en los siguientes módulos:

• Introducción al aprendizaje automático
• Regresión lineal
• Regresión logística
• Clasificación
• Cómo trabajar con datos numéricos
• Cómo trabajar con datos categóricos
• Conjuntos de datos, generalización y sobreajuste

Términos clave:

• Sesgo (ética/equidad)
• Modelo

Centro de ayuda