Identificando viés em aprendizado de máquina: modelos justos com o TensorFlow

Os modelos de aprendizado de máquina são tão bons quanto os dados usados para treiná-los. Se seus conjuntos de dados de treinamento contiverem vieses ocultos, suas redes neurais farão previsões injustas, imprecisas ou distorcidas. Este curso fornece uma base clara e passo a passo para reconhecer e corrigir o viés em modelos de visão computacional e classificação de imagens. Através de explicações claras e passo a passo de código escrito, você descobrirá como as redes neurais processam informações visuais e como auditar seus dados para obter justiça. Você aprenderá a identificar onde um modelo está focando sua atenção e como ajustar seu pipeline de treinamento para garantir resultados equilibrados e confiáveis. O que você vai aprender: - Entenda os conceitos básicos de viés algorítmico e como ele entra nos pipelines de aprendizado de máquina - Analise a tomada de decisão da rede neural para ver onde um modelo foca sua atenção em uma imagem - Implemente técnicas de pré-processamento e aumento de dados no TensorFlow para equilibrar conjuntos de dados enviesados - Auditoria de dados de treinamento para identificar classes sub-representadas e erros sistemáticos - Construa e treine modelos de classificação de imagem mais justos usando o Keras - Aplique estratégias de validação modernas para testar modelos para desempenho equitativo em diferentes grupos Este curso começa com definições essenciais de ética de aprendizado de máquina e preparação de conjunto de dados, depois orienta você através de implementações práticas de código para inspecionar e refinar seus modelos. Este curso somente de texto é projetado para iniciantes, desenvolvedores e aspirantes a cientistas de dados que desejam construir IA ética. Nenhuma experiência prévia em machine learning é necessária para começar. Comece a ler hoje mesmo para dominar os fundamentos da criação de modelos de machine learning justos e confiáveis.