Correttezza

La valutazione responsabile di un modello di machine learning richiede molto di più del semplice calcolo delle metriche relative alle perdite. Prima di mettere un modello in produzione, è fondamentale controllare i dati di addestramento e valutare le previsioni per i bias.

Questo modulo esamina diversi tipi di bias umani che possono manifestarsi nei dati di addestramento. Fornisce poi strategie per identificarli e valutarne gli effetti.

Correttezza

Un mazzo di banane su uno scaffale di un negozio
  • Banane
Un mazzo di banane
  • Banane
  • Adesivi
Un mazzo di banane
  • Banane
  • Adesivi
  • Banane sugli scaffali
Un mazzo di banane
  • Verde Banane
  • Non aromatico banane
Un mazzo di banane verdi
  • Overripe Banane
  • Adatto al pane alla banana
Un mazzo di banane marroni

Giallo Banane

Giallo è prototipizzato per le banane

Un mazzo di banane gialle
Un diagramma che illustra un flusso di lavoro tipico del machine learning: raccogliere dati, addestrare un modello e generare output
Diagramma che illustra due tipi di bias nei dati: bias umani che si manifestano nei dati (ad esempio bias di omogeneità esterni) e bias umani che influiscono sulla raccolta e sull'annotazione dei dati (ad esempio bias di conferma)
  1. Considera il problema
  1. Considera il problema
  2. Chiedi agli esperti
  1. Considera il problema
  2. Chiedi agli esperti
  3. Addestra i modelli per tenere conto dei bias
  1. Considera il problema
  2. Chiedi agli esperti
  3. Addestra i modelli per tenere conto dei bias
  4. Interpretare i risultati
  1. Considera il problema
  2. Chiedi agli esperti
  3. Addestra i modelli per tenere conto dei bias
  4. Interpretare i risultati
  5. Pubblicazione con contesto
Indietro
Verifica le tue conoscenze
Avanti
Tipi di bias