Valutazione delle fonti dati

Stai sviluppando un modello di Machine Learning per prevedere i pattern di consumo energetico in diversi quartieri di una città. Il tuo compito è valutare i dati sull’uso di elettricità residenziale, i pattern meteorologici regionali e gli indicatori socioeconomici provenienti dai censimenti pubblici.

Questo esercizio fa parte del corso

Gestione responsabile dei dati per l'AI

Visualizza corso

esercizio interattivo pratico

Trasforma la teoria in pratica con uno dei nostri esercizi interattivi

Inizia esercizio

Questo esercizio fa parte del corso

Gestione responsabile dei dati per l'AI

IntermediárioNível de habilidade

4.8+

Inizia il corso gratuitamente

Scopri la teoria di base alla base della gestione responsabile dei dati nell'AI. Ripasserai dimensioni chiave come sicurezza, trasparenza, equità e altro, per poi concettualizzare metriche e sfide associate a queste dimensioni e capire come bilanciare un'AI responsabile con altri requisiti aziendali e tecnici.

Exercise 1: Dimensioni dei dati responsabili Exercise 2: Sviluppare l'AI in modo responsabile Exercise 3: Dimensioni dei dati responsabili Exercise 4: Metriche per un'AI responsabile Exercise 5: Pianificare un progetto di AI responsabile Exercise 6: Uso responsabile dei dati Exercise 7: Equità nei progetti di AI Exercise 8: Sfide dell’AI responsabile Exercise 9: Compromessi nella Responsible AI Exercise 10: Doveri professionali e condotta etica

La regolamentazione dei dati è essenziale per la legalità di qualsiasi progetto di AI. Scopri i principali regolamenti, le licenze di terze parti e le strategie di conformità per il consenso informato e gli accordi di condivisione dei dati (con consulenza legale). Infine, imparerai a sviluppare strategie solide di data governance e piani di gestione dei dati per garantire che il tuo progetto resti conforme durante tutto il suo ciclo di vita.

Exercise 1: Panoramica sulla regolamentazione dei dati Exercise 2: Leggi sulla protezione dei dati Exercise 3: Normative sui dati in un progetto Exercise 4: Conformità dei dati Exercise 5: Diritti del titolare dei dati e conformità Exercise 6: Data Use Agreements (DUA)Exercise 7: Licenze di terze parti Exercise 8: Tipi di licenze Exercise 9: Accordi di licenza Exercise 10: Selezionare una licenza Exercise 11: Data governance e piano di gestione dei dati (DMP)Exercise 12: Gestione dei dati Exercise 13: Componenti di un DMP

Orienta la selezione e l'integrazione responsabile delle fonti di dati comprendendo l'importanza dell'origine, della natura e della temporalità dei dati, con enfasi su conformità legale, diversità ed equità. Esplorando i tipi di bias e le loro origini, esaminerai equità e rappresentatività dei dati per creare un insieme di dati completo per la modellazione.

Exercise 1: Fonti di dati Exercise 2: Tipi di sorgenti dati Exercise 3: Fonte dei dati e dimensioni della responsabilità Exercise 4: Limitazioni delle fonti di dati Exercise 5: Limitazioni nelle fonti dati Exercise 6: Fonti di dati e bias Exercise 7: Selezione delle fonti di dati Exercise 8: Valutazione delle fonti dati

Esercizio attuale

Exercise 9: Data augmentation Exercise 10: Integrazione dei dati Exercise 11: Passaggi per l'integrazione dei dati Exercise 12: Rischi e benefici dell'integrazione dei dati

Comprendi audit dei dati, convalida dei dati e mitigazione dei bias. Il pre-processing dei dati e l'individuazione dei bias in fase di modellazione possono non sembrare entusiasmanti, ma rendiamoli più snelli con approcci comuni e tecniche affidabili!

Exercise 1: Audit dei dati Exercise 2: Data audit nel ciclo di vita del progetto Exercise 3: Necessità di un data audit Exercise 4: Convalida dei dati Exercise 5: Definire la data validation Exercise 6: Approcci alla data validation Exercise 7: Buone pratiche per la validazione dei dati Exercise 8: Analisi per sottogruppi Exercise 9: Validazione dei dati nel progetto Exercise 10: Pre-processing e bias Exercise 11: Mitigazione del bias Exercise 12: Strategie di mitigazione Exercise 13: Mitigazione del bias lungo il ciclo di vita del progetto Exercise 14: Conseguenze della mitigazione del bias Exercise 15: Bias post-deployment Exercise 16: Congratulazioni!