Learn about the fundamental theory behind responsible data management in AI. You’ll review key dimensions such as security, transparency, fairness, and more before conceptualizing the metrics and challenges associated with these dimensions and understanding how to balance responsible AI with other business and technical requirements.

Responsible data dimensions

Developing AI responsibly

Dimensions of responsible data

Responsible AI metrics

Planning a responsible AI project

Responsible data use

Fairness in AI projects

Challenges of responsible AI

Trade-offs in responsible AI

Professional duties and ethical conduct

Introduction to Responsible AI Data Management

Data regulation is essential to the legality of any AI project. Learn about key regulations, third-party licenses, and compliance strategies for informed consent and data-sharing agreements (with legal counsel). Finally, you'll learn about developing robust data governance strategies and management plans to ensure your project remains compliant throughout its lifecycle.

Overview of data regulation

Data protection laws

Data regulation in a project

Data compliance

Data owner rights and compliance

Data use agreements (DUAs)

Third-party licensing

Types of licenses

Licensing agreements

Selecting a license

Data governance and data management plan (DMP)

Data management

Components of a DMP

Regulation Compliance and Licensing

Navigate through the responsible selection and integration of data sources by understanding the importance of data origin, nature, and temporality, emphasizing legal compliance, diversity, and fairness. By exploring types of bias and their origins, you’ll look at data fairness and representation to create a comprehensive dataset for modeling.

Data sources

Data source types

Data source and responsible dimensions

Data source limitations

Limitations in data sources

Data sources and bias

Data source selection

Evaluation of data sources

Data augmentation

Data integration

Data integration steps

Risks and benefits of data integration

Data Acquisition

Understand data audits, data validation, and bias mitigation. Data pre-processing and catching bias in modeling do not sound like fun, but let's streamline them with common approaches and trusted techniques!

Veri denetimi

Proje yaşam döngüsünde veri denetimi

Seçenekler

Veri denetimi gerekli

Veri denetimi gerekli değil

Veri denetimi gereksinimi

Veri doğrulama

Veri doğrulamayı tanımlama

Veri doğrulama yaklaşımları

Veri doğrulamada en iyi uygulamalar

Alt grup analizi adımları

Alt grup analizi

Projede veri doğrulama

Potansiyel önyargı

Önyargısız

Ön işleme ve önyargı

Önyargı azaltma

Azaltma stratejileri

Ön işleme aşaması

Modelleme aşaması

Dağıtım sonrası aşama

Proje yaşam döngüsü boyunca önyargı azaltma

Önyargı azaltmanın sonuçları

Model yeniden kalibrasyonu

Uygun olmayan kullanım

Yayın sonrası önyargı

Tebrikler!

Data Validation and Bias Mitigation Strategies

Verileri sorumlu şekilde ele almak, özellikle Yapay Zekâ (AI) söz konusu olduğunda kritiktir. Bu kavramsal kurs, veri edinimi, temel düzenlemeler ile veri doğrulama ve önyargı azaltma stratejileri dâhil olmak üzere sorumlu veri uygulamalarının temellerini öğretecek. Bu becerileri, herhangi bir veri projesinde eleştirel düşünmeyi uygulamak için kullanabilir; projenin baştan sona başarılı, sorumlu ve mevzuata uygun olmasını sağlayabilirsin.

Yapay Zeka (AI) ve veriler her yerde. Günlük hayatımızda giderek artan varlıkları, iş hayatında veya kişisel projelerimizde olsun, yapay zeka projelerimiz boyunca verileri sorumlu bir şekilde yönetmemizi daha da önemli hale getiriyor. Bu kavramsal ders, lisanslama, edinme ve doğrulama konularını incelemeden önce, güvenlik ve şeffaflık gibi sorumlu AI veri yönetiminin temel teorisini ele alacaktır.
<br><br>
<h2>Yasal Uygunluk ve Lisanslama Hakkında Bilgi Edinin</h2> 

Temel teoriyi anladıktan sonra, bu bilgileri uyumluluk ve lisans gereksinimlerinizi değerlendirmek için kullanacaksınız (uygun durumlarda hukuki danışmanlık alacaksınız). HIPAA ve GDPR gibi en önemli veri düzenlemeleri, en yaygın lisans türleri ve AI projenizin her zaman uyumlu kalmasını sağlamak için veri yönetimi planını nasıl kullanacağınız hakkında bilgi edineceksiniz.
<br><br>
<h2>Verileri Sorumlu Bir Şekilde Kaynak Gösterin ve Kullanın</h2>

Sorumlu veri uygulamaları, verilerinizi nasıl ve nereden elde ettiğinizi de içerir. Bir kaynağın etik olup olmadığını, olası sınırlamalarını ve farklı kaynaklardan gelen verileri nasıl entegre edeceğinizi anlayacaksınız.
<br><br>
<h2>Verilerinizi Denetleyin</h2>

Son olarak, veri denetimi ve verilerinizin önyargısız kalmasını sağlamak için veri doğrulama ve azaltma stratejilerini nasıl uygulayacağınızı öğreneceksiniz. Tüm bu becerilerle, herhangi bir yapay zeka projesindeki verileri eleştirel bir şekilde değerlendirebilir ve sorumlu bir şekilde yönetebilirsiniz. Dahası, bu becerileri gelecekteki tüm veri projelerinde kullanabilir, böylece her duruma uyum sağlayabilir ve her türlü duruma hazırlıklı olabilirsiniz!

Supervised Learning with scikit-learn

Verilerinizi sorumlu bir şekilde yönetmenin teorisini öğrenin, AI projelerinde baştan sona ve ötesine kadar.

Sorumlu AI Veri Yönetimi

Herhangi bir AI projesinde verilerinizi baştan sona ve ötesinde sorumlu bir şekilde yönetmenin arkasındaki teoriyi öğrenin.

Veri Bilimcileri için Yardımcı Yapay Zeka Mühendisi

Sorumlu Yapay Zeka Temelleri

Kar Tanesi AI Temelleri

Veri kümesini cinsiyet ve gelire göre alt gruplara ayır

Her alt grup için istatistiksel dağılımı değerlendir 

Model performansını her alt grup için ayrı ayrı değerlendir

Her grup için adalet ölçütlerini hesapla

Tespit edilen farklılıkları değerlendir ve azaltma stratejileri uygula

Alt grup analizi

Sorumlu AI Veri Yönetimi

Uygulamalı etkileşimli egzersiz