다음 실습에서는 공정성으로 데이터 세트를 감사하는 방법을 공정성을 다루기 위해 편향 제거 전략을 적용하는 방법을 문제:
- ML 모델의 편향 및 공정성 문제 해결 Colab 실습
프로그래밍 실습은 별도의 설정 없이 브라우저에서 직접 실행됩니다. 필수) Colaboratory를 사용해 있습니다. Colaboratory는 대부분의 주요 브라우저에서 지원되며 데스크톱 버전의 Chrome과 Firefox에서 철저하게 테스트되었습니다.
공정성: 프로그래밍 실습
달리 명시되지 않는 한 이 페이지의 콘텐츠에는 Creative Commons Attribution 4.0 라이선스에 따라 라이선스가 부여되며, 코드 샘플에는 Apache 2.0 라이선스에 따라 라이선스가 부여됩니다. 자세한 내용은 Google Developers 사이트 정책을 참조하세요. 자바는 Oracle 및/또는 Oracle 계열사의 등록 상표입니다.
최종 업데이트: 2024-08-13(UTC)
[null,null,["최종 업데이트: 2024-08-13(UTC)"],[[["\u003cp\u003eThis exercise demonstrates how to audit data sets for fairness and apply bias-remediation strategies.\u003c/p\u003e\n"],["\u003cp\u003eThe programming exercises are run directly in your browser using the Colaboratory platform with no setup required.\u003c/p\u003e\n"],["\u003cp\u003eColaboratory is supported on most major browsers and is most thoroughly tested on desktop versions of Chrome and Firefox.\u003c/p\u003e\n"],["\u003cp\u003eUsers can access a Help Center for support with machine learning education.\u003c/p\u003e\n"]]],[],null,["# Fairness: Programming exercise\n\nThe following exercise demonstrates how to audit data sets with fairness in\nmind, and how to employ bias-remediation strategies to address fairness\nissues: \n[Open fairness exercise](https://colab.research.google.com/github/google/eng-edu/blob/main/ml/cc/exercises/fairness_income.ipynb?utm_source=mlcc&utm_campaign=colab-external&utm_medium=referral&utm_content=fairness)\n\nProgramming exercises run directly in your browser (no setup\nrequired!) using the [Colaboratory](https://colab.research.google.com)\nplatform. Colaboratory is supported on most major browsers, and is most\nthoroughly tested on desktop versions of Chrome and Firefox. \n[Help Center](https://support.google.com/machinelearningeducation)"]]