了解在 AI 中負責任的資料管理背後的基本理論。你將先回顧安全性、透明度、公平性等關鍵面向，再進一步理解與這些面向相關的衡量指標與挑戰，並學會如何在負責任的 AI 與其他商務與技術需求之間取得平衡。

負責任資料的各項維度

以負責任的方式開發 AI

選項

公平與多元

透明與責任歸屬

合法性、隱私與安全

負責任資料的面向

負責任 AI 的衡量指標

規劃一個負責任的 AI 專案

負責任的資料使用

不負責任的資料使用

差異影響（Disparate impact）

機會均等（Equal opportunity）

人口統計均衡（Demographic parity）

AI 專案中的公平性

負責任 AI 的挑戰

不負責任的資料管理

負責任的資料管理

負責任 AI 的權衡

專業職責與倫理行為

負責任的 AI 資料管理導論

資料法規是任何 AI 專案合法性的核心。你將學習關鍵法規、第三方授權，以及在法律顧問協助下，針對知情同意與資料分享協議的合規策略。最後，你會學到如何制定健全的資料治理策略與資料管理計畫，確保專案在整個生命週期中都維持合規。

資料法規概觀

資料保護法規

專案中的資料法規

資料合規

資料擁有者權利與合規

資料使用協議（DUA）

第三方授權

授權類型

授權合約

選擇授權條款

資料治理與資料管理計畫（DMP）

資料管理

DMP 的組成

法規遵循與授權

透過理解資料來源的出處、特性與時間面向，帶你負責任地選擇並整合資料來源，同時強調符合法規、多元性與公平性。藉由探索偏誤的種類與成因，你將檢視資料的公平與代表性，為建模打造一個完整的資料集。

資料來源

資料來源類型

資料來源與責信面向

資料來源的限制

資料來源與偏誤

資料來源選擇

資料來源評估

資料擴充（Data augmentation）

資料整合

資料整合步驟

資料整合的風險與效益

資料取得

理解資料稽核、資料驗證與偏誤緩解。資料前處理與在建模中攔截偏誤聽起來或許不有趣，但讓我們用常見做法與可靠技術來簡化流程吧！

資料稽核

專案生命週期中的資料稽核

為什麼需要資料稽核

資料驗證

定義資料驗證

資料驗證的方法

資料驗證的最佳做法

次族群分析

專案中的資料驗證

前處理與偏差

偏誤緩解

緩解策略

專案生命週期中的偏誤緩解

偏差緩解的後果

部署後的偏誤

恭喜！

資料驗證與偏誤緩解策略

負責任地處理資料至關重要，特別是在人工智慧（AI）領域。本概念性課程將帶你學習負責任資料實務的基礎，包括資料取得、關鍵法規，以及資料驗證與偏誤緩解策略。你可以把這些技能應用到任何資料專案上，以批判性思維全程把關，確保從開始到結束都能成功、負責且符合法規。

人工智慧（AI）與資料無所不在。 隨著它們在我們日常生活中的影響力日益增加，無論是在工作還是個人專案中，確保我們在整個 AI 專案過程中負責任地管理資料變得更加重要。 本課程將帶您深入探討負責任 AI 資料管理的基本理論，包括安全性與透明度，並進一步介紹授權、取得與驗證等重要主題。
<br><br>
<h2>瞭解法規遵循與執照申請</h2> 

在掌握基本理論後，您將運用這些知識來評估自身的合規性與授權需求（在適當情況下諮詢法律顧問）。 您將學習到一些最重要的資料法規，例如 HIPAA 和 GDPR，常見的授權類型，以及如何運用資料管理計畫，確保您的 AI 專案始終符合法規要求。
<br><br>
<h2>負責任地取得與使用資料</h2>

負責任的資料實務同時涵蓋您如何以及從何處取得資料。 您將了解如何判斷資料來源是否具備道德性、其可能存在的限制，以及如何整合來自不同來源的資料。
<br><br>
<h2>審核您的資料</h2>

最後，您將學習資料稽核，以及如何運用資料驗證與緩解策略，確保您的資料保持無偏差。 擁有這些技能後，您將能夠批判性地評估並負責任地管理任何 AI 專案中的資料。 此外，您可以將這些技能應用於任何未來的資料專案，讓您在面對各種挑戰時都能靈活應對、做好萬全準備！

Supervised Learning with scikit-learn

學習從頭到尾及以後負責任地管理AI項目數據的理論。

負責任的 AI 資料管理

掌握 AI 專案全流程的資料管理理論，確保負責任地處理您的資料。

負責任 AI 的衡量指標

Create Your Free Account