توضیحات
Fairness is becoming a paramount consideration for data scientists. Mounting evidence indicates that the widespread deployment of machine learning and AI in business and government is reproducing the same biases we’re trying to fight in the real world. But what does fairness mean when it comes to code? This practical book covers basic concerns related to data security and privacy to help data and AI professionals use code that’s fair and free of bias.
Many realistic best practices are emerging at all steps along the data pipeline today, from data selection and preprocessing to closed model audits. Author Aileen Nielsen guides you through technical, legal, and ethical aspects of making code fair and secure, while highlighting up-to-date academic research and ongoing legal developments related to fairness and algorithms.
Identify potential bias and discrimination in data science models
Use preventive measures to minimize bias when developing data modeling pipelines
Understand what data pipeline components implicate security and privacy concerns
Write data processing and modeling code that implements best practices for fairness
Recognize the complex interrelationships between fairness, privacy, and data security created by the use of machine learning models
Apply normative and legal concepts relevant to evaluating the fairness of machine learning models
————————————————————–
ترجمه ماشینی :
انصاف در حال تبدیل شدن به یک ملاحظات اساسی برای دانشمندان داده است. شواهد فزاینده نشان می دهد که استقرار گسترده یادگیری ماشین و هوش مصنوعی در تجارت و دولت، همان تعصباتی را که ما در دنیای واقعی سعی در مبارزه با آنها داریم، بازتولید می کند. اما انصاف در مورد کد به چه معناست؟ این کتاب کاربردی نگرانیهای اساسی مربوط به امنیت دادهها و حریم خصوصی را پوشش میدهد تا به متخصصان داده و هوش مصنوعی کمک کند تا از کدی منصفانه و عاری از تعصب استفاده کنند. امروزه بسیاری از بهترین شیوه های واقع بینانه در تمام مراحل خط لوله داده، از انتخاب داده ها و پیش پردازش گرفته تا ممیزی مدل بسته، در حال ظهور هستند. نویسنده آیلین نیلسن شما را از طریق جنبههای فنی، قانونی و اخلاقی ایجاد کد منصفانه و ایمن راهنمایی میکند، در حالی که تحقیقات دانشگاهی بهروز و پیشرفتهای حقوقی جاری مرتبط با عدالت و الگوریتمها را برجسته میکند. شناسایی سوگیری و تبعیض بالقوه در مدلهای علم داده استفاده از اقدامات پیشگیرانه برای به حداقل رساندن سوگیری در هنگام توسعه خطوط لوله مدلسازی دادهها درک اینکه چه اجزای خط لوله داده بر نگرانیهای امنیتی و حفظ حریم خصوصی دلالت دارند کد پردازش و مدلسازی داده را بنویسید که بهترین شیوهها را برای عدالت اجرا میکند تشخیص روابط متقابل پیچیده بین انصاف، حریم خصوصی و امنیت داده ایجاد شده با استفاده از مدلهای یادگیری ماشین اعمال مفاهیم هنجاری و قانونی مربوط به ارزیابی عادلانه بودن مدلهای یادگیری ماشینی
tag : دانلود کتاب انصاف عملی: دستیابی به مدل های داده های منصفانه و ایمن , Download انصاف عملی: دستیابی به مدل های داده های منصفانه و ایمن , دانلود انصاف عملی: دستیابی به مدل های داده های منصفانه و ایمن , Download Practical Fairness: Achieving Fair and Secure Data Models Book , انصاف عملی: دستیابی به مدل های داده های منصفانه و ایمن دانلود , buy انصاف عملی: دستیابی به مدل های داده های منصفانه و ایمن , خرید کتاب انصاف عملی: دستیابی به مدل های داده های منصفانه و ایمن , دانلود کتاب Practical Fairness: Achieving Fair and Secure Data Models , کتاب Practical Fairness: Achieving Fair and Secure Data Models , دانلود Practical Fairness: Achieving Fair and Secure Data Models , خرید Practical Fairness: Achieving Fair and Secure Data Models , خرید کتاب Practical Fairness: Achieving Fair and Secure Data Models ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.