Budowanie sprawiedliwych algorytmów sztucznej inteligencji: praktyczne kroki w kierunku bezstronnego uczenia maszynowego

Algorytmy coraz częściej kierują decyzjami o wysokiej stawce w opiece zdrowotnej, zatrudnianiu i finansach, ale niewykryte uprzedzenia algorytmiczne mogą prowadzić do niesprawiedliwych i dyskryminacyjnych wyników. Ten pisemny kurs wyposaża Cię w podstawową wiedzę i praktyczne metodyki do audytu, oceny i łagodzenia uprzedzeń w modelach uczenia maszynowego za pomocą nowoczesnych narzędzi Pythona. Czego się nauczysz: Zrozumienie podstawowych pojęć uczciwości algorytmicznej, etycznej sztucznej inteligencji i typowych źródeł stronniczości danych; Mierz stronniczość za pomocą standardowych matematycznych wskaźników uczciwych i nowoczesnych bibliotek ewaluacyjnych; Zastosuj techniki łagodzenia przed przetwarzaniem, w trakcie przetwarzań i po przetwarzeniu do potoków uczenia maszynowego; Konfiguruj monitorowanie uczciwej jako część nowoczesnego przepływu pracy MLOps w celu zapewnienia ciągłej zgodności;Zaprojektuj ramy oceny, aby przetestować wydajność modelu w różnych grupach demograficznych;Analizuj rzeczywiste studia przypadków w opiece zdrowotnej i rekrutacji w celu zidentyfikowania pułapek etycznych. Począwszy od podstawowych definicji etycznych i koncepcji przygotowania danych, kurs prowadzi krok po kroku przez przykłady kodu pisanego, wdrażanie algorytmów łagodzących i tworzenie długoterminowych systemów monitorowania. Zaprojektowany dla początkujących, ten kurs oparty na tekście wymaga tylko podstawowej znajomości programowania i nie ma zaawansowanego tła matematycznego. Zacznij czytać już dziś i buduj systemy AI, którym każdy może zaufać.