Equità

Durata stimata del modulo: 110 minuti

Valutare un modello di machine learning (ML) in modo responsabile richiede più del semplice calcolo delle metriche di perdita complessive. Prima di mettere un modello in produzione, è fondamentale eseguire la revisione dei dati di addestramento e valutare le previsioni per verificare la presenza di bias.

Questo modulo esamina i diversi tipi di bias umani che possono manifestarsi nei dati di addestramento. Fornisce quindi strategie per identificarli e mitigarli, nonché per valutare le prestazioni del modello tenendo conto dell'equità.

Obiettivi di apprendimento

• Prendi consapevolezza dei pregiudizi umani comuni che possono essere riprodotti inavvertitamente dagli algoritmi di ML.
• Esplora i dati in modo proattivo per identificare le fonti di bias prima di addestrare un modello.
• Valutare le previsioni del modello per rilevare i bias.

Prerequisiti:

Questo modulo presuppone che tu abbia familiarità con i concetti trattati nei seguenti moduli:

• Introduzione al machine learning
• Regressione lineare
• Regressione logistica
• Classificazione
• Lavorare con i dati numerici
• Lavorare con i dati categorici
• Set di dati, generalizzazione e overfitting

Termini chiave:

• Bias (etica/equità)
• Modello