لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش گامهای عملی برای ساخت الگوریتمهای هوش مصنوعی منصفانه
- آخرین آپدیت
دانلود Practical Steps for Building Fair AI Algorithms
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
الگوریتمها بهطور فزایندهای در تصمیمگیریهای حساس در حوزههای سلامت، عدالت کیفری، استخدام و سایر زمینههای مهم نقش ایفا میکنند. این امر تضمین منصفانه بودن این الگوریتمها را ضروری میسازد، اما سالهای اخیر نشان دادهاند که الگوریتمها میتوانند از نظر سن، جنسیت، ملیت، نژاد و سایر ویژگیها دارای سوگیری (Bias) باشند. این دوره ده اصل عملی برای طراحی الگوریتمهای منصفانه به شما آموزش میدهد. در این دوره بر کاربردهای دنیای واقعی از طریق بررسی موردی الگوریتمهای مدرن، از جمله الگوریتمهای عدالت کیفری، مراقبتهای بهداشتی و مدلهای زبانی بزرگ مانند ChatGPT تأکید خواهد شد. شما با درک قوانین پایه برای طراحی الگوریتمهای منصفانه و توانایی ارزیابی عدالت در الگوریتمها، دوره را به پایان خواهید برد.
این دوره برای طیف گستردهای از مخاطبان، از دانشآموزان دبیرستانی به بالا که علاقهمند به علوم کامپیوتر و طراحی الگوریتم هستند، در نظر گرفته شده است. نیازی به کدنویسی نخواهید داشت و مفاهیم مرتبط علوم کامپیوتر در ابتدای دوره توضیح داده خواهد شد. این دوره برای مهندسان و دانشمندان داده علاقهمند به ساخت الگوریتمهای منصفانه، سیاستگذاران و مدیران علاقهمند به ارزیابی عدالت الگوریتمها، و تمامی شهروندانی که زندگی آنها بهطور فزایندهای تحت تأثیر تصمیمگیریهای الگوریتمی است، طراحی شده است.
سرفصل ها و درس ها
مقدمه
Introduction
نمونههایی از الگوریتمهای پیشبینیکننده
Examples of Predictive Algorithms
چگونه الگوریتمهای پیشبینیکننده بسازیم؟
How do you Build Predictive Algorithms?
چگونه الگوریتمهای پیشبینیکننده را ارزیابی کنیم؟
How do you Assess Predictive Algorithms?
مزایا و نکات کلیدی
Upsides & Takeaways
مقدمه و برابری آماری
Introduction and Statistical Parity
برابری پیشبینی و کالیبراسیون
Predictive Equality and Calibration
تعارض بین تعاریف
Conflicts Between Definitions
نکات کلیدی
Takeaways
مقدمه
Introduction
مطالعه موردی: علل احتمالی متعدد سوگیری
Case study: many possible causes of bias
مقدمه
Introduction
نگرانیها و نکات کلیدی
Concerns & Takeaways
طراحی الگوریتمها
Designing Algorithms
مقدمه
Introduction
اصول جمعآوری اخلاقی دادهها و نکات کلیدی
Principles of Ethical Data Collection & Takeaways
حذف ویژگیهای حساس بهطور خودکار الگوریتم شما را منصف نمیکند
Removing sensitive features won't automatically make your algorithm fair
گنجاندن ویژگیهای حساس ممکن است الگوریتم شما را منصفتر کند
Including sensitive features may make your algorithm more fair
مقدمه و مطالعه موردی پیشبینی ریسک سلامت
Intro and health risk prediction case study
نمونههای بیشتر و نکات کلیدی
Further examples and takeaways
مستندسازی الگوریتمها
Documenting Algorithms
موارد استفاده هدفمند مدلها و مجموعهدادهها
Intended Uses of Models and Datasets
مستندسازی موارد استفاده هدفمند
Documenting Intended Uses
مقدمهای بر شفافیت و تفسیرپذیری
Introduction to Transparency and Interpretability
نمونههایی از الگوریتمهای شفاف
Examples of Transparent Algorithms
نمونههایی از الگوریتمهای غیرشفاف و نکات کلیدی
Examples of Non-Transparent Algorithms & Takeaways
الگوریتمها در دستان انسان
Algorithms in the hands of humans
مقدمهای بر الگوریتمهای هدایتگر تصمیمگیری انسانی
Introduction to Algorithms Guiding Human Decision Making
نمایش نظرات