Bewertung:
Derzeit gibt es keine Leserbewertungen. Die Bewertung basiert auf 13 Stimmen.
Practical Fairness: Achieving Fair and Secure Data Models
Fairness wird für Datenwissenschaftler zu einem der wichtigsten Aspekte. Es gibt immer mehr Hinweise darauf, dass der weit verbreitete Einsatz von maschinellem Lernen und KI in Unternehmen und Behörden dieselben Vorurteile reproduziert, die wir in der realen Welt zu bekämpfen versuchen. Aber was bedeutet Fairness, wenn es um Code geht? Dieses praktische Buch befasst sich mit grundlegenden Fragen der Datensicherheit und des Datenschutzes, um Daten- und KI-Experten bei der Verwendung von fairem und unvoreingenommenem Code zu unterstützen.
Viele realistische Best Practices entstehen heute auf allen Stufen der Datenpipeline, von der Datenauswahl und -vorverarbeitung bis hin zu geschlossenen Modellaudits. Die Autorin Aileen Nielsen führt Sie durch die technischen, rechtlichen und ethischen Aspekte eines fairen und sicheren Codes und beleuchtet dabei die aktuelle akademische Forschung und die laufenden rechtlichen Entwicklungen in Bezug auf Fairness und Algorithmen.
⬤ Identifizieren Sie potenzielle Verzerrungen und Diskriminierung in Data-Science-Modellen.
⬤ Vorbeugende Maßnahmen zur Minimierung von Verzerrungen bei der Entwicklung von Datenmodellierungspipelines anwenden.
⬤ Verstehen, welche Komponenten von Datenpipelines Sicherheits- und Datenschutzprobleme mit sich bringen.
⬤ Schreiben Sie Datenverarbeitungs- und Modellierungscode, der die besten Praktiken für Fairness umsetzt.
⬤ Erkennen der komplexen Zusammenhänge zwischen Fairness, Datenschutz und Datensicherheit, die durch den Einsatz von maschinellen Lernmodellen entstehen.
⬤ Anwendung normativer und rechtlicher Konzepte, die für die Bewertung der Fairness von Modellen des maschinellen Lernens relevant sind.
| ISBN: | 9781492075738 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2020 |
| Seitenzahl: | 175 |
Derzeit verfügbar, auf Lager.
