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.

Sorumlu veri boyutları

Yapay zekâyı sorumlu geliştirme

Seçenekler

Adalet ve çeşitlilik

Şeffaflık ve hesap verebilirlik

Hukuka uygunluk, gizlilik ve güvenlik

Sorumlu verinin boyutları

Sorumlu AI ölçütleri

Sorumlu bir AI projesi planlama

Sorumlu veri kullanımı

Sorumlu olmayan veri kullanımı

Ayrışık etki

Eşit fırsat

Demografik denge

AI projelerinde adillik

Sorumlu AI’nın zorlukları

Sorumluluk dışı veri yönetimi

Sorumlu veri yönetimi

Sorumlu AI’da ödünleşimler

Mesleki görevler ve etik davranış

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!

Data audit

Data audit in the project lifecycle

Need for data audit

Data validation

Defining data validation

Data validation approaches

Data validation best practices

Subgroup analysis

Data validation in the project

Pre-processing and bias

Bias mitigation

Mitigation strategies

Bias mitigation throughout project lifecycle

Consequences of bias mitigation

Post-deployment bias

Congratulations!

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

AI algoritmaları mevcut önyargıları veya toplumsal kalıpyargıları sürdürmemelidir

Veriler, farklı demografik grupları doğru biçimde temsil etmeli ve onlara etkili şekilde hizmet etmelidir

AI modelleri, kararların nasıl verildiğine dair anlaşılabilir açıklamalar sunmalıdır

AI araçları, verilerin nasıl kullanıldığını açıkça belirtmelidir

AI araçları, verilere yetkisiz erişimi engellemelidir

AI projelerinde yasalara ve düzenlemelere uymak güven ve etiği güçlendirir

Sorumlu verinin boyutları

Sorumlu AI Veri Yönetimi

Uygulamalı interaktif egzersiz