Équité

Durée estimée du module:110 minutes

Évaluer un modèle de machine learning (ML) de manière responsable ne se limite pas à calculer les métriques de perte globales. Avant de mettre un modèle en production, il est essentiel d'auditer les données d'entraînement et d'évaluer les prédictions pour détecter les biais.

Ce module examine différents types de biais humains pouvant se manifester dans les données d'entraînement. Il fournit ensuite des stratégies pour les identifier et les atténuer, puis évalue les performances du modèle en gardant à l'esprit l'équité.

Objectifs d'apprentissage

• Prenez conscience des biais humains courants qui peuvent être reproduits par inadvertance par les algorithmes de ML.
• Explorez de manière proactive les données pour identifier les sources de biais avant d'entraîner un modèle.
• Évaluer les biais des prédictions du modèle

Prérequis:

Ce module suppose que vous connaissez les concepts abordés dans les modules suivants:

• Présentation du machine learning
• Régression linéaire
• Régression logistique
• Classification
• Utiliser des données numériques
• Utiliser des données catégorielles
• Ensembles de données, généralisation et surajustement

Termes clés

• Biais (éthique/équité)
• Modèle