為了妥善評估機器學習模型 (ML)，您必須做得比計算整體損失指標更徹底。在將模型投入實際工作環境前，請務必稽核訓練資料，並評估預測結果是否有偏差。
本單元將探討訓練資料中可能出現的各類人為偏誤。接著提供策略來找出並減輕這些偏差，然後以公平的角度評估模型成效。
除非另有註明，否則本頁面中的內容是採用創用 CC 姓名標示 4.0 授權，程式碼範例則為阿帕契 2.0 授權。詳情請參閱《Google Developers 網站政策》。Java 是 Oracle 和/或其關聯企業的註冊商標。
上次更新時間：2024-11-08 (世界標準時間)。
[null,null,["上次更新時間：2024-11-08 (世界標準時間)。"],[[["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."]]],[]]