Uczniowie zbadają, w jaki sposób w modelach uczenia maszynowego mogą pojawiać się tendencyjne wyniki na skutek doboru danych treningowych. Stworzą własny model uczenia maszynowego do klasyfikowania obrazów jabłek i pomidorów oraz przekonają się, jak zastosowanie ograniczonego zbioru danych może prowadzić do tendencyjnych i niedokładnych przewidywań. Na koniec poznają dwa rodzaje tendencyjności, które mogą występować w danych treningowych.
dane treningowe, dane testowe, dokładność, tendencyjność, tendencyjność danych, uprzedzenia społeczne
