Để đánh giá một mô hình học máy (ML) một cách có trách nhiệm, bạn cần làm nhiều việc hơn là chỉ tính toán các chỉ số tổn thất tổng thể. Trước khi đưa mô hình vào hoạt động sản xuất, bạn cần kiểm tra dữ liệu huấn luyện và đánh giá các dự đoán về sai số.
Mô-đun này xem xét các loại thiên kiến của con người có thể xuất hiện trong dữ liệu huấn luyện. Sau đó, công cụ này cung cấp các chiến lược để xác định và giảm thiểu các vấn đề đó, rồi đánh giá hiệu suất của mô hình một cách công bằng.
[null,null,["Cập nhật lần gần đây nhất: 2025-01-03 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."]]],[]]
