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.
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: 2024-11-08(UTC)
[null,null,["최종 업데이트: 2024-11-08(UTC)"],[[["This module focuses on identifying and mitigating human biases that can negatively impact machine learning models."],["You'll learn how to proactively examine data for potential bias before model training and how to evaluate your model's predictions for fairness."],["The module explores various types of human biases that can unintentionally be replicated by machine learning algorithms, emphasizing responsible AI development."],["It builds upon foundational machine learning knowledge, including linear and logistic regression, classification, and handling numerical and categorical data."]]],[]]