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.

Veri düzenlemelerine genel bakış

Seçenekler

GDPR

HIPAA

CCPA

Veri koruma yasaları

Projeyle ilgili

İlgili değil

Bir projede veri düzenlemeleri

Veri uyumluluğu

Veri sahibi hakları ve uyumluluk

DUA'nın parçası

DUA'nın parçası değil

Veri kullanım anlaşmaları (DUA'lar)

Üçüncü taraf lisanslama

Doğru

Yanlış

Lisans türleri

Bir lisans anlaşmasının parçası

Lisans anlaşmasının parçası değil

Lisans anlaşmaları

Bir lisans seçme

Veri yönetişimi ve veri yönetim planı (DMP)

Veri yönetişimi

Veri yönetim planı

Veri yönetimi

Bir DMP'nin Bileşenleri

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

Lead ML engineer

Veri yönetişimi ve veri yönetim planı

Veri yönetim planı (DYP)

Bir DYP hazırlama

DYP’nin temel unsurları

Diş hekimliği sohbet botu: DYP

Haydi pratik yapalım!

Regulation Compliance and Licensing - Veri yönetişimi ve veri yönetim planı (DMP)

Veri yönetişimi ve veri yönetim planı (DMP)

Create Your Free Account