با مجموعه‌ها، منظم بمانید
ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.
ارزیابی مسئولانه یک مدل یادگیری ماشینی (ML) مستلزم انجام کارهایی بیش از محاسبه معیارهای کلی ضرر است. قبل از وارد کردن یک مدل به تولید، حسابرسی داده های آموزشی و ارزیابی پیش بینی ها برای سوگیری بسیار مهم است.
این ماژول به انواع مختلفی از تعصبات انسانی که می توانند در داده های آموزشی آشکار شوند نگ��ه می کند. سپس راهبردهایی را برای شناسایی و کاهش آنها ارائه می کند و سپس عملکرد مدل را با رعایت انصاف در ذهن ارزیابی می کند.
تاریخ آخرین بهروزرسانی 2025-01-24 بهوقت ساعت هماهنگ جهانی.
[[["درک آسان","easyToUnderstand","thumb-up"],["مشکلم را برطرف کرد","solvedMyProblem","thumb-up"],["غیره","otherUp","thumb-up"]],[["اطلاعاتی که نیاز دارم وجود ندارد","missingTheInformationINeed","thumb-down"],["بیشازحد پیچیده/ مراحل بسیار زیاد","tooComplicatedTooManySteps","thumb-down"],["قدیمی","outOfDate","thumb-down"],["مشکل ترجمه","translationIssue","thumb-down"],["مشکل کد / نمونهها","samplesCodeIssue","thumb-down"],["غیره","otherDown","thumb-down"]],["تاریخ آخرین بهروزرسانی 2025-01-24 بهوقت ساعت هماهنگ جهانی."],[[["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."]]],[]]
