Module 1 - Lesson 4: Bias in, bias out

Studenti izpētīs, kā mašīnmācīšanās modeļos var parādīties neobjektivitāte to apmācībai izmantoto datu dēļ. Viņi izveidos savu mašīnmācīšanās modeli ābolu un tomātu attēlu klasificēšanai un atklās, kā ierobežots datu kopums var novest pie neobjektīvām un neprecīzām prognozēm. Visbeidzot, viņi pētīs divus neobjektivitātes veidus, kas var parādīties apmācības datos.

Mācību mērķi

  • Aprakstiet datu ietekmi uz mašīnmācīšanās (ML) modeļa precizitāti
  • Izskaidrojiet gan apmācības, gan testēšanas datu nepieciešamību
  • Paskaidrojiet, kā neobjektivitāte var ietekmēt mašīnmācīšanās modeļa ģenerētās prognozes

Galvenie termini

Apmācības dati, Testa dati, Precizitāte, Neobjektivitāte, Datu neobjektivitāte, Sabiedrības neobjektivitāte

Nodarbības struktūra

  • Datu tipi klasifikācijai
  • Lielveikala MI lietojumprogramma
  • Neobjektivitāte
  • Pēc izvēles: Jūsu nākotnes karjera

Nodarbības resursu lejupielāde

Lai lejupielādētu nodarbības plānu, prezentāciju un aktivitātes, vispirms piesakieties Raspberry Pi Foundation kontā vai izveidojiet bezmaksas kontu.
Pēc tam jums būs jāatbild uz dažiem jautājumiem par to, kā izmantosiet šos resursus.