Ενότητα 1 - Μάθημα 4: Είσοδος προκαταλήψεων, έξοδος προκαταλήψεων

Οι εκπαιδευόμενοι θα διερευνήσουν πώς μπορεί να εμφανιστούν προκαταλήψεις στα μοντέλα μηχανικής μάθησης λόγω των δεδομένων που χρησιμοποιήθηκαν για την εκπαίδευσή τους. Θα δημιουργήσουν το δικό τους μοντέλο μηχανικής μάθησης για να ταξινομούν εικόνες μήλων και ντοματών και θα ανακαλύψουν πώς ένα περιορισμένο σύνολο δεδομένων μπορεί να οδηγήσει σε προκατειλημμένες και ανακριβείς προβλέψεις. Τέλος, θα ερευνήσουν δύο τύπους προκαταλήψεων που μπορούν να εμφανιστούν στα δεδομένα εκπαίδευσης.

Στόχοι μάθησης

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

Βασικό λεξιλόγιο

Δεδομένα εκπαίδευσης, Δεδομένα ελέγχου, Ακρίβεια, Προκαταλήψεις, Προκαταλήψεις δεδομένων, Κοινωνικές προκαταλήψεις

Δομή μαθήματος

  • Τύποι δεδομένων για ταξινόμηση
  • Εφαρμογή AI για σούπερ μάρκετ
  • Προκαταλήψεις
  • Προαιρετικά: Η μελλοντική σας σταδιοδρομία

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.