Análise por subgrupos

Em um projeto para prever taxas de aprovação de empréstimos, a equipe finalizou o pré-processamento e decidiu realizar uma análise por subgrupos para garantir equidade entre grupos de gênero e faixas de renda.

Este exercicio faz parte do curso

Gestão Responsável de Dados em IA

exercicio interativo prático

Transforme teoria em prática com um dos nossos exercicio interativos

Iniciar exercicio

Este exercicio faz parte do curso

Gestão Responsável de Dados em IA

IntermediárioNível de habilidade

4.8+

Comece o curso gratuitamente

Conheça a teoria fundamental por trás da gestão responsável de dados em IA. Você vai revisar dimensões-chave como segurança, transparência, justiça e mais, antes de conceituar as métricas e os desafios associados a essas dimensões e entender como equilibrar IA responsável com outros requisitos de negócios e técnicos.

Exercise 1: Dimensões de dados responsáveis Exercise 2: Desenvolvendo IA de forma responsável Exercise 3: Dimensões de dados responsáveis Exercise 4: Métricas de IA responsável Exercise 5: Planejando um projeto de IA responsável Exercise 6: Uso responsável de dados Exercise 7: Equidade em projetos de IA Exercise 8: Desafios da IA responsável Exercise 9: Compensações em IA responsável Exercise 10: Deveres profissionais e conduta ética

A regulação de dados é essencial para a legalidade de qualquer projeto de IA. Saiba mais sobre principais regulamentações, licenças de terceiros e estratégias de conformidade para consentimento informado e acordos de compartilhamento de dados (com assessoria jurídica). Por fim, você aprenderá a desenvolver estratégias robustas de governança de dados e planos de gestão para manter seu projeto em conformidade durante todo o ciclo de vida.

Exercise 1: Visão geral da regulamentação de dados Exercise 2: Leis de proteção de dados Exercise 3: Regulação de dados em um projeto Exercise 4: Conformidade de dados Exercise 5: Direitos do proprietário dos dados e conformidade Exercise 6: Acordos de uso de dados (DUAs)Exercise 7: Licenciamento de terceiros Exercise 8: Tipos de licenças Exercise 9: Contratos de licenciamento Exercise 10: Selecionando uma licença Exercise 11: Governança de dados e plano de gerenciamento de dados (DMP)Exercise 12: Gerenciamento de dados Exercise 13: Componentes de um DMP

Navegue pela seleção e integração responsáveis de fontes de dados entendendo a importância da origem, natureza e temporalidade dos dados, com ênfase em conformidade legal, diversidade e justiça. Ao explorar tipos de viés e suas origens, você vai analisar justiça e representatividade dos dados para criar um conjunto de dados abrangente para modelagem.

Exercise 1: Fontes de dados Exercise 2: Tipos de fontes de dados Exercise 3: Fonte de dados e dimensões de responsabilidade Exercise 4: Limitações da fonte de dados Exercise 5: Limitações em fontes de dados Exercise 6: Fontes de dados e viés Exercise 7: Seleção de fontes de dados Exercise 8: Avaliação de fontes de dados Exercise 9: Aumento de dados Exercise 10: Integração de dados Exercise 11: Etapas de integração de dados Exercise 12: Riscos e benefícios da integração de dados

Entenda auditorias de dados, validação de dados e mitigação de vieses. Pré-processamento de dados e detecção de viés na modelagem podem não parecer empolgantes, mas vamos simplificar com abordagens comuns e técnicas confiáveis!

Exercise 1: Auditoria de dados Exercise 2: Auditoria de dados no ciclo de vida do projeto Exercise 3: Necessidade de auditoria de dados Exercise 4: Validação de dados Exercise 5: Definindo validação de dados Exercise 6: Abordagens de validação de dados Exercise 7: Boas práticas de validação de dados Exercise 8: Análise por subgrupos

Exercicio Atual

Exercise 9: Validação de dados no projeto Exercise 10: Pré-processamento e viés Exercise 11: Mitigação de vieses Exercise 12: Estratégias de mitigação Exercise 13: Mitigação de vieses ao longo do ciclo de vida do projeto Exercise 14: Consequências da mitigação de vieses Exercise 15: Viés pós-implantação Exercise 16: Parabéns!