了解 AI 中负责任数据管理的基本理论。您将回顾安全性、透明性、公平性等关键维度，并在此基础上思考与这些维度相关的度量与挑战，理解如何在负责任的 AI 与其他业务和技术需求之间取得平衡。

负责任数据的维度

负责任地开发 AI

负责任 AI 的度量指标

规划一个负责任的 AI 项目

负责任的数据使用

AI 项目的公平性

负责任 AI 的挑战

负责任 AI 的权衡取舍

专业职责与伦理规范

负责任的 AI 数据管理导论

数据监管是任何 AI 项目合法性的基础。了解关键法规、第三方许可，以及就知情同意与数据共享协议（需法律顾问参与）的合规策略。最后，您将学习如何制定健全的数据治理策略与数据管理计划，确保项目在整个生命周期内保持合规。

数据合规概览

选项

GDPR

HIPAA

CCPA

数据保护法律

与该项目相关

不相关

项目中的数据合规

数据合规

数据所有者权利与合规

属于 DUA 的内容

不属于 DUA 的内容

数据使用协议（DUA）

第三方许可

正确

错误

许可证的类型

属于许可协议的内容

不属于许可协议的内容

许可协议

选择许可协议

数据治理与数据管理计划（DMP）

数据治理

数据管理计划

数据管理

DMP 的组成部分

合规与许可

通过理解数据来源、性质与时效性的重要性，掌握负责任地选择与整合数据源的方法，重点关注合法合规、多样性与公平性。通过探索偏差类型及其来源，您将从数据公平与代表性出发，构建用于建模的全面数据集。

数据来源

数据源类型

数据来源与责任维度

数据源的局限性

数据来源与偏差

数据源选择

数据来源评估

数据增广

数据整合

数据集成步骤

数据集成的风险与收益

数据获取

理解数据审计、数据验证与偏差缓解。数据预处理与在建模中捕捉偏差听起来或许不有趣，但让我们用常见方法与可靠技术来简化这一过程！

数据审计

项目生命周期中的数据审计

为何需要进行数据审计

数据验证

定义数据验证

数据验证方法

数据验证最佳实践

子群体分析

项目中的数据验证

预处理与偏差

偏差缓解

缓解策略

贯穿项目生命周期的偏差缓解

减轻偏见的后果

部署后的偏差

恭喜您！

数据验证与偏差缓解策略

在人工智能（AI）领域，负责任地处理数据至关重要。本概念性课程将带您学习负责任数据实践的基础知识，包括数据获取、关键法规，以及数据验证与偏差缓解策略。您可以将这些技能应用到任何数据项目中进行批判性思考，确保从开始到结束，项目都能成功、负责并符合法规要求。

人工智能（AI）和数据无处不在。 它们在我们日常生活中的影响日益增强，这使得在我们的 AI 项目中负责任地管理数据变得更加重要，无论是在工作中还是在个人项目中。 这门概念性课程将探讨负责任的 AI 数据管理背后的基础理论，例如安全性和透明度，然后再深入讲解许可、获取和验证。
<br><br>
<h2>了解监管合规与许可</h2> 

在了解了基础理论之后，你将运用这些知识来评估你的合规和许可要求（在适当情况下寻求法律顾问的意见）。 您将了解一些最重要的数据法规，如 HIPAA 和 GDPR、一些最常见的许可证类型，以及如何使用数据管理计划来确保您的 AI 项目始终保持合规。
<br><br>
<h2>负责任地获取和使用数据</h2>

负责任的数据实践还包括你如何以及从何处获取数据。 你将了解一个数据源是否合乎伦理、它可能存在的任何局限，以及如何整合来自不同来源的数据。
<br><br>
<h2>审计你的数据</h2>

最后，你将学习数据审计，以及如何应用数据验证和缓解策略，确保你的数据保持无偏差。 掌握了所有这些技能后，你将能够批判性地评估并负责任地管理任何 AI 项目中的数据。 更重要的是，你可以将这些技能应用于未来的任何数据项目，让自己更具适应力，并为迎接各种挑战做好准备！

Supervised Learning with scikit-learn

学习从头到尾及以后负责任地管理AI项目数据的理论。

负责任的 AI 数据管理

学习负责任地管理数据的理论，适用于任何 AI 项目，从开始到结束及之后。

数据治理与数据管理计划（DMP）

Create Your Free Account