Definitionen von Fairness im maschinellen Lernen | Chancengleichheit, Ausgeglichenheit der Chancen & Ungleichheitseffekte

Es gibt verschiedene Ansätze zur Messung von Unfairness in Modellen des maschinellen Lernens. Wir untersuchen, wie man Genauigkeit und 3 Definitionen von Fairness - Chancengleichheit, Ausgeglichenheit der Chancen & Ungleichheitseffekte - nutzen kann. Wir beleuchten die nuancierten Möglichkeiten, wie Fairness im Kontext algorithmischer Entscheidungsfindung verstanden werden kann. Begleiten Sie uns, während wir dieses wichtige Thema erkunden und Ihnen ein umfassendes Verständnis von Fairness im maschinellen Lernen und deren Auswirkungen auf den Aufbau gerechter und fairer KI-Systeme vermitteln.

*HINWEIS*: Sie erhalten jetzt den XAI-Kurs kostenlos, wenn Sie sich anmelden (nicht den SHAP-Kurs)

SHAP-Kurs: https://adataodyssey.com/courses/shap-with-python/

XAI-Kurs: https://adataodyssey.com/courses/xai-with-python/

Newsletter-Anmeldung: https://mailchi.mp/40909011987b/signup

Lesen Sie den begleitenden Artikel (Link ohne Paywall):

Weitere Artikel, die Sie nützlich finden könnten:

Einführung in algorithmische Fairness: https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f?sk=147caf6c92b3311b9948f6361281efec

Gründe für Unfairness: https://towardsdatascience.com/algorithm-fairness-sources-of-bias-7082e5b78a2c?sk=c2491fc4e709375298671ca25a3d3ffe

Korrektur der Fairness: https://towardsdatascience.com/approaches-for-addressing-unfairness-in-machine-learning-a31f9807cf31?sk=67367763ce822cf60794ce7e544ba6ef

Medium: https://conorosullyds.medium.com/

Twitter: https://twitter.com/conorosullyDS

Mastodon: https://sigmoid.social/@conorosully

Website: https://adataodyssey.com/