In this course, we will explore fundamental issues of fairness and bias in machine learning. As predictive models begin making important decisions, from college admission to loan decisions, it becomes paramount to keep models from making unfair predictions. From human bias to dataset awareness, we will explore many aspects of building more ethical models.
Dieser Kurs ist Teil der Spezialisierung Spezialisierung Ethics in the Age of AI
3.260 bereits angemeldet
von
Spezialisierung Ethics in the Age of AILearnQuestÜber diesen Kurs
4.075 kürzliche Aufrufe
Flexible Fristen
Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.
Zertifikat zur Vorlage
Erhalten Sie nach Abschluss ein Zertifikat
100 % online
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Kurs 2 von 4 in
Stufe „Anfänger“
Ca. 6 Stunden zum Abschließen
Englisch
Untertitel: Französisch, Portugiesisch (europäisch), Russisch, Englisch, Spanisch
Kompetenzen, die Sie erwerben
- machine learning fairness
- Ethics
- data bias
Flexible Fristen
Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.
Zertifikat zur Vorlage
Erhalten Sie nach Abschluss ein Zertifikat
100 % online
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Kurs 2 von 4 in
Stufe „Anfänger“
Ca. 6 Stunden zum Abschließen
Englisch
Untertitel: Französisch, Portugiesisch (europäisch), Russisch, Englisch, Spanisch
von
LearnQuest
LearnQuest is the preferred training partner to the world’s leading companies, organizations, and government agencies. Our team boasts 20+ years of experience designing, developing and delivering a full suite industry-leading technology education classes and training solutions across the globe. Our trainers, equipped with expert industry experience and an unparalleled commitment to quality, facilitate classes that are offered in various delivery formats so our clients can obtain the training they need when and where they need it.
Lehrplan - Was Sie in diesem Kurs lernen werden
2 Stunden zum Abschließen
Fairness and protections in machine learning
Welcome to the course! In week one, we will be discussing what fairness means in the context of machine learning and what true parity means in different scenarios
2 Stunden zum Abschließen
5 Videos (Gesamt 19 min), 2 Lektüren, 3 Quiz
2 Stunden zum Abschließen
Building fair models: theory and practice
This week we will take action against unfairness. Now that we have an understanding of fairness issues, how do we build models that do not violate them?
2 Stunden zum Abschließen
5 Videos (Gesamt 21 min), 2 Lektüren, 3 Quiz
2 Stunden zum Abschließen
Human factors: minimizing bias in data
This week, we will tackle the human biases that enter the data collection and attribute selection processes. The goal? Removing bias before the model is built
2 Stunden zum Abschließen
5 Videos (Gesamt 33 min), 2 Lektüren, 3 Quiz
Bewertungen
Top-Bewertungen von ARTIFICIAL INTELLIGENCE DATA FAIRNESS AND BIAS
von AV14. Jan. 2021
Extraodinary course! I've learnt so much! The classes are very informative and dynamic. Didn't feel like studying but rather entertaining myself with hight quality content! Thank you so much!
von CM2. Okt. 2021
An excellent reminder that the bias-variance trade-off is not the only trade-off machine learning specialists make.
von SY30. März 2021
A relatively short and interesting course on data fairness and bias impacting AI models.
Über den Spezialisierung Ethics in the Age of AI
As machine learning models begin making important decisions based on massive datasets, we need to be aware of their limitations. In this specialization, we will explore the rise of algorithms, fundamental issues of fairness and bias in machine learning, and basic concepts involved in security and privacy of machine learning projects. We'll finish with a study of 3 projects that will allow you to put your new skills into action.
Häufig gestellte Fragen
Wann erhalte ich Zugang zu den Vorträgen und Aufgaben?
Was bekomme ich, wenn ich diese Spezialisierung abonniere?
Ist finanzielle Unterstützung möglich?
Haben Sie weitere Fragen? Besuchen Sie das Learner Help Center.
