공정성

예상 모듈 길이: 110분

머신러닝 (ML) 모델을 책임감 있게 평가하려면 전반적인 손실 측정항목을 계산하는 것 이상이 필요합니다. 모델을 프로덕션에 투입하기 전에 학습 데이터를 점검하고 예측에 편향이 없는지 평가해야 합니다.

이 모듈에서는 학습 데이터에서 드러날 수 있는 인간의 다양한 편향에 관해 살펴봅니다. 그런 다음 편향을 식별하고 완화하는 전략을 제공하고 공정성을 염두에 두고 모델 성능을 평가합니다.

학습 목표

이 모듈에서는 다음 모듈에서 다룬 개념에 익숙하다고 가정합니다.

• 사람들이 갖는 일반적인 선입견(편향성)이 의도치 않게 ML 알고리즘에서 재현되어 나타날 수 있는 경우들을 배워봅니다.
• 모델을 학습하기 전에 선제적으로 데이터를 조사하여 편향성이 생길 수 있는 원인을 파악합니다.
• 모델 예측결과에 편향성이 있는지 평가합니다.

기본 요건:

• 머신러닝 소개
• 선형 회귀
• 로지스틱 회귀
• Classification
• 숫자 데이터 작업
• 범주형 데이터 작업
• 데이터 세트, 일반화, 오버피팅

핵심 용어:

• 편향 (윤리/공정성)
• 모델