Koleksiyonlar ile düzeninizi koruyun
İçeriği tercihlerinize göre kaydedin ve kategorilere ayırın.
Adalet
Adil olma, son kullanıcıların algoritmik karar verme yoluyla ırk, gelir, cinsel yönelim veya cinsiyet gibi hassas özelliklerle ilgili olarak yaşayabileceği farklı sonuçları ele alır. Örneğin, bir işe alım algoritması belirli bir cinsiyet veya etnik kökenle ilişkili adlara sahip adaylara karşı önyargılı olabilir mi?
Makine öğrenimi sistemlerinin insan önyargılarına nasıl açık olabileceği hakkında daha fazla bilgiyi aşağıdaki videoda bulabilirsiniz:
Gerçek bir örnek olarak Google Arama ve Google Fotoğraflar gibi ürünlerin Monk Skin Tone Scale ile ten rengi temsilinin çeşitliliğini nasıl iyileştirdiği hakkında bilgi edinin.
Modellerdeki önyargıları tespit etmek, ölçmek ve azaltmak için güvenilir yöntemler vardır. Makine Öğrenimi Hızlandırılmış Kursu'nun Adalet modülü, adalet ve önyargıyı azaltma tekniklerine derinlemesine bir bakış sunar.
[[["Anlaması kolay","easyToUnderstand","thumb-up"],["Sorunumu çözdü","solvedMyProblem","thumb-up"],["Diğer","otherUp","thumb-up"]],[["İhtiyacım olan bilgiler yok","missingTheInformationINeed","thumb-down"],["Çok karmaşık / çok fazla adım var","tooComplicatedTooManySteps","thumb-down"],["Güncel değil","outOfDate","thumb-down"],["Çeviri sorunu","translationIssue","thumb-down"],["Örnek veya kod sorunu","samplesCodeIssue","thumb-down"],["Diğer","otherDown","thumb-down"]],["Son güncelleme tarihi: 2024-11-14 UTC."],[[["Fairness in machine learning aims to address potential unequal outcomes for users based on sensitive attributes like race, gender, or income due to algorithmic decisions."],["Machine learning systems can inherit human biases, impacting outcomes for certain groups, and require strategies for identification, measurement, and mitigation."],["Google has worked on improving fairness in products like Google Search and Google Photos by utilizing the Monk Skin Tone Scale to better represent skin tone diversity."],["Developers can learn about fairness and bias mitigation techniques in detail through resources like the Fairness module of Google's Machine Learning Crash Course and interactive AI Explorables from People + AI Research (PAIR)."]]],[]]
