Identificación de sesgos en el aprendizaje automático: modelos justos con TensorFlow

Los modelos de aprendizaje automático solo son tan buenos como los datos que se usan para entrenarlos.Si sus conjuntos de datos de entrenamiento contienen sesgos ocultos, sus redes neuronales harán predicciones injustas, inexactas o sesgadas.Este curso proporciona una base clara y paso a paso para reconocer y corregir los sesgos en los modelos de visión por computadora y clasificación de imágenes. A través de explicaciones claras y recorridos por código escrito, descubrirá cómo las redes neuronales procesan la información visual y cómo auditar sus datos para obtener imparcialidad.Aprenderá a identificar dónde está enfocando su atención un modelo y cómo ajustar su canalización de entrenamiento para garantizar resultados equilibrados y confiables. Lo que aprenderás: - Comprenda los conceptos básicos del sesgo algorítmico y cómo ingresa a las tuberías de aprendizaje automático - Analizar la toma de decisiones de la red neuronal para ver dónde un modelo centra su atención en una imagen - Implemente técnicas de preprocesamiento y aumento de datos en TensorFlow para equilibrar conjuntos de datos sesgados - Auditoría de datos de entrenamiento para identificar clases subrepresentadas y errores sistemáticos - Construir y entrenar modelos de clasificación de imágenes más justos usando Keras - Aplicar estrategias de validación modernas para probar modelos de rendimiento equitativo en diferentes grupos Este curso comienza con definiciones esenciales de la ética del aprendizaje automático y la preparación de conjuntos de datos, luego lo guía a través de implementaciones prácticas de código para inspeccionar y refinar sus modelos. Este curso de solo texto está diseñado para principiantes, desarrolladores y aspirantes a científicos de datos que desean crear IA ética.No se requiere experiencia previa en aprendizaje automático para comenzar. Comience a leer hoy mismo para dominar los fundamentos de la creación de modelos de aprendizaje automático justos y confiables.