Modulo 1: Bias in entrata, bias in uscita

Gli studenti comprenderanno come possono crearsi dei bias nei modelli di apprendimento automatico a causa dei dati utilizzati per addestrarli. Creeranno un proprio modello di apprendimento automatico per classificare immagini di mele e pomodori e scopriranno come un set di dati limitato può portare a previsioni distorte e imprecise. Infine, analizzeranno due tipi di bias che possono presentarsi nei dati di addestramento.

Obiettivi di apprendimento

  • Descrivere l'impatto dei dati sull'accuratezza di un modello di apprendimento automatico (ML)
  • Spiegare la necessità sia dei dati di addestramento che di quelli di test
  • Spiegare in che modo i bias possono influenzare le previsioni generate da un modello di ML

Termini fondamentali

Dati di addestramento, Dati di test, Accuratezza, Bias, Distorsione dei dati, Bias sociale

Struttura della lezione

  • Tipi di dati per la classificazione
  • Applicazione IA per supermercati
  • Bias
  • Facoltativo: I tuoi sbocchi professionali futuri

Scarica le risorse della lezione

Per scaricare il programma, le slide e le attività della lezione, prima accedi o crea un account Raspberry Pi Foundation gratuito.
Ti faremo quindi alcune domande per capire come utilizzerai le risorse.