Obiektywność

Szacowany czas trwania modułu: 110 minut

Odpowiednia ocena modelu systemów uczących się (ML) wymaga czegoś więcej niż tylko obliczenia ogólnych danych o utracie. Przed wdrożeniem modelu w produkcji należy sprawdzić dane treningowe i ocenić prognozy pod kątem uprzedzeń.

W tym module omawiamy różne rodzaje ludzkich uprzedzeń, które mogą się przejawiać w danych treningowych. Następnie przedstawia strategie ich identyfikowania i minimalizowania, a następnie ocenia wydajność modelu z uwzględnieniem obiektywności.

Cele szkolenia

• Poznaj typowe uprzedzenia ludzi, które mogą być przypadkowo powielane przez algorytmy ML.
• Proaktywnie analizuj dane, aby zidentyfikować źródła uprzedzenia przed trenowaniem modelu.
• sprawdzić, czy w modelu nie występują uprzedzenia;

Wymagania wstępne:

W tym module zakładamy, że znasz już pojęcia omawiane w tych modulech:

• Wprowadzenie do systemów uczących się
• Regresja liniowa
• Regresja logistyczna
• Klasyfikacja
• Praca z danymi liczbowymi
• Praca z danymi kategorialnymi
• Zbiory danych, uogólnianie i nadmierne dopasowanie

Kluczowe terminy:

• Uprzedzenia (etyka/sprawiedliwość)
• Model

Centrum pomocy