Μάθημα 3: Προκαταλήψεις εντός, προκαταλήψεις εκτός

Δημιουργήστε ένα μοντέλο μηχανικής εκμάθησης για να ταξινομήσετε τις εικόνες και να εξερευνήσετε πώς ένα περιορισμένο σύνολο δεδομένων μπορεί να οδηγήσει σε προκατάληψη.

Στόχοι μάθησης

  • Περιγράψτε τον αντίκτυπο των δεδομένων στην ακρίβεια ενός μοντέλου μηχανικής μάθησης (ML)
  • Επεξηγήστε την ανάγκη τόσο για δεδομένα εκπαίδευσης όσο και για δεδομένα δοκιμής
  • Επεξηγήστε πώς οι προκαταλήψεις μπορούν να επηρεάσουν τις προβλέψεις που παράγονται από ένα μοντέλο ML

Βασικό λεξιλόγιο

Τεχνητή νοημοσύνη (AI), μηχανική μάθηση (ML), μάθηση με επίβλεψη, ταξινόμηση, δεδομένα εκπαίδευσης, δεδομένα δοκιμής, ακρίβεια, προκαταλήψεις, προκαταλήψεις δεδομένων, κοινωνικές προκαταλήψεις

Δομή μαθήματος

  • Οι τρεις διαφορετικοί τύποι μηχανικής μάθησης
  • Εφαρμογή AI για σούπερ μάρκετ
  • Εκπαίδευση μοντέλου
  • Προκαταλήψεις
  • Μοντέλο ωραρίου μαθητών
  • Μείωση των προκαταλήψεων

Επισκόπηση μαθήματος

Allow YouTube content?

We use YouTube to show you videos on our website. We ask permission before loading the content, as YouTube may be using cookies to help them track usage and improve their services.

You may wish to read Google's Cookie Policy and Privacy Policy before accepting.

Accept Cookies

Λήψη πόρων του μαθήματος

Για να κάνετε λήψη του σχεδίου μαθήματος, των διαφανειών και των δραστηριοτήτων, συνδεθείτε ή δημιουργήστε έναν δωρεάν λογαριασμό στο Raspberry Pi Foundation.
Στη συνέχεια, θα σας κάνουμε μερικές ερωτήσεις για να μας βοηθήσετε να καταλάβουμε πώς θα χρησιμοποιήσετε τους πόρους.