Metoder för datavalidering

Ett AI-projekt inom utbildning syftar till att skapa en modell som rekommenderar studiematerial till presumtiva studenter, baserat på deras inlärningsstilar, prestationer och preferenser. För att säkerställa att rekommendationerna är rättvisa behöver du validera datan.

Vilka av följande steg är relaterade till datavalidering? Välj de tre alternativ som stämmer.

Den här övningen är en del av kursen

Ansvarsfull AI-datahantering

Interaktiv övning med praktiskt arbete

Gör teori till handling med en av våra interaktiva övningar

Starta övningen

Den här övningen är en del av kursen

Ansvarsfull AI-datahantering

SkillTag.level.intermediateSkillTag.label

4.8+

Starta kursen gratis

Lär dig om den grundläggande teorin bakom ansvarsfull datahantering inom AI. Du går igenom viktiga dimensioner som säkerhet, transparens, rättvisa och mer, innan du undersöker de mätvärden och utmaningar som är kopplade till dessa dimensioner och lär dig hur du balanserar ansvarsfull AI mot andra affärsmässiga och tekniska krav.

Exercise 1: Ansvarsfulla datadimensioner Exercise 2: Att utveckla AI på ett ansvarsfullt sätt Exercise 3: Ansvarsfull datas dimensioner Exercise 4: Ansvarsfulla AI-mätvärden Exercise 5: Planera ett ansvarsfullt AI-projekt Exercise 6: Ansvarsfull dataanvändning Exercise 7: Rättvisa i AI-projekt Exercise 8: Utmaningar med ansvarsfull AI Exercise 9: Avvägningar inom ansvarsfull AI Exercise 10: Yrkesmässiga skyldigheter och etiskt uppträdande

Datareglering är avgörande för att ett AI-projekt ska vara lagligt. Lär dig om viktiga regelverk, tredjepartslicenser och strategier för regelefterlevnad vad gäller informerat samtycke och datadelningsavtal (med juridisk rådgivning). Slutligen lär du dig att utveckla robusta datastyrningsstrategier och datahanteringsplaner för att säkerställa att projektet förblir regelefterlevande under hela sin livscykel.

Exercise 1: Översikt över datareglering Exercise 2: Dataskyddslagar Exercise 3: Datareglering i ett projekt Exercise 4: Regelefterlevnad Exercise 5: Dataägares rättigheter och regelefterlevnad Exercise 6: Dataanvändningsavtal (DUA:er)Exercise 7: Tredjepartslicensiering Exercise 8: Typer av licenser Exercise 9: Licensavtal Exercise 10: Välja en licens Exercise 11: Datastyrning och datahanteringsplan (DMP)Exercise 12: Datahantering Exercise 13: Komponenter i ett DMP

Navigera genom ett ansvarsfullt urval och en ansvarsfull integration av datakällor genom att förstå vikten av datas ursprung, karaktär och aktualitet, med betoning på regelefterlevnad, mångfald och rättvisa. Genom att utforska olika typer av bias och deras ursprung undersöker du datafairness och representation för att skapa ett heltäckande dataset för modellering.

Exercise 1: Datakällor Exercise 2: Typer av datakällor Exercise 3: Datakällor och ansvarsfulla dimensioner Exercise 4: Begränsningar hos datakällor Exercise 5: Begränsningar i datakällor Exercise 6: Datakällor och bias Exercise 7: Val av datakälla Exercise 8: Utvärdering av datakällor Exercise 9: Dataaugmentering Exercise 10: Dataintegrering Exercise 11: Steg i dataintegrering Exercise 12: Risker och fördelar med dataintegration

Förstå datagranskningar, datavalidering och hantering av bias. Dataförbehandling och att upptäcka bias i modellering kan låta tungt – men med vanliga metoder och beprövade tekniker gör vi det hanterbart!

Exercise 1: Datagranskning Exercise 2: Datagranskning i projektets livscykel Exercise 3: När behövs en datagranskning?Exercise 4: Datavalidering Exercise 5: Definiera datavalidering Exercise 6: Metoder för datavalidering

Aktuell övning

Exercise 7: Bästa praxis för datavalidering Exercise 8: Subgruppsanalys Exercise 9: Datavalidering i projektet Exercise 10: Förbehandling och bias Exercise 11: Bias-reducering Exercise 12: Strategier för att motverka bias Exercise 13: Biasminskning genom ML-livscykeln Exercise 14: Konsekvenser av biasminskning Exercise 15: Bias efter driftsättning Exercise 16: Grattis!