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

Να επιτρέπεται το περιεχόμενο YouTube;

Χρησιμοποιούμε το YouTube για να προβάλλουμε τα βίντεό σας στον ιστότοπό μας. Ζητάμε την άδειά σας πριν από τη φόρτωση του περιεχομένου, καθώς το YouTube ενδέχεται να χρησιμοποιεί cookies για την παρακολούθηση της χρήσης και τη βελτίωση των υπηρεσιών του.

Ενδέχεται να θέλετε να διαβάσετε την Πολιτική χρήσης Cookies και την Πολιτική Απορρήτου της Google πριν κάνετε αποδοχή.

Αποδοχή 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.