Définitions de l'équité en apprentissage automatique | Égalité des opportunités, Égalisation des cotes & Impact disparate

Il existe plusieurs approches pour mesurer l'inéquité dans les modèles d'apprentissage automatique. Nous explorons comment utiliser la précision et 3 définitions de l'équité - Égalité des opportunités, Égalisation des cotes & Impact disparate. Nous mettons en lumière les manières nuancées dont l'équité peut être comprise dans le contexte de la prise de décision algorithmique. Rejoignez-nous alors que nous naviguons dans ce sujet crucial, vous fournissant une compréhension complète de l'équité en apprentissage automatique et de ses implications pour la construction de systèmes d'IA justes et équitables.

*REMARQUE* : Vous recevrez désormais le cours XAI gratuitement si vous vous inscrivez (pas le cours SHAP)

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

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

Inscription à la newsletter : https://mailchi.mp/40909011987b/signup

Lisez l'article compagnon (lien sans paywall) :

D'autres articles que vous pourriez trouver utiles :

Introduction à l'équité algorithmique : https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f?sk=147caf6c92b3311b9948f6361281efec

Raisons de l'inéquité : https://towardsdatascience.com/algorithm-fairness-sources-of-bias-7082e5b78a2c?sk=c2491fc4e709375298671ca25a3d3ffe

Correction de l'équité : 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

Site web : https://adataodyssey.com/