کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Over the last few decades, machine learning (ML) applications have grown exponentially, yielding several benefits to society. However, these benefits are tempered with concerns of discriminatory behaviours exhibited by ML models. In this regard, fairness in machine learning has emerged as a priority research area. Consequently, several fairness metrics and algorithms have been developed to mitigate against discriminatory behaviours that ML models may possess. Yet still, very little attention has been paid to the problem of naturally occurring changes in data patterns (\textit{aka} data distributional drift), and its impact on fairness algorithms and metrics. In this work, we study this problem comprehensively by analyzing 4 fairness-unaware baseline algorithms and 7 fairness-aware algorithms, carefully curated to cover the breadth of its typology, across 5 datasets including public and proprietary data, and evaluated them using 3 predictive performance and 10 fairness metrics. In doing so, we show that (1) data distributional drift is not a trivial occurrence, and in several cases can lead to serious deterioration of fairness in so-called fair models; (2) contrary to some existing literature, the size and direction of data distributional drift is not correlated to the resulting size and direction of unfairness; and (3) choice of, and training of fairness algorithms is impacted by the effect of data distributional drift which is largely ignored in the literature. Emanating from our findings, we synthesize several policy implications of data distributional drift on fairness algorithms that can be very relevant to stakeholders and practitioners.
چکیده به فارسی (ترجمه ماشینی)
در طی چند دهه گذشته ، برنامه های یادگیری ماشین (ML) بصورت تصاعدی رشد کرده اند و مزایای زیادی برای جامعه به همراه دارند.با این حال ، این مزایا با نگرانی از رفتارهای تبعیض آمیز که توسط مدل های ML به نمایش گذاشته می شود ، مورد توجه قرار می گیرد.در این راستا ، انصاف در یادگیری ماشین به عنوان یک منطقه تحقیقاتی در اولویت ظاهر شده است.در نتیجه ، چندین معیار و الگوریتم انصاف برای کاهش در برابر رفتارهای تبعیض آمیز که مدل های ML ممکن است داشته باشند ، ایجاد شده است.با این وجود ، توجه بسیار کمی به مشکل تغییرات طبیعی در الگوهای داده (\ textit {aka} توزیع توزیع داده) و تأثیر آن بر الگوریتم ها و معیارهای انصاف است.در این کار ، ما این مشکل را به طور جامع با تجزیه و تحلیل 4 الگوریتم های پایه و عادلانه و 7 الگوریتم آگاه از انصاف ، با دقت برای پوشش وسعت نوع شناسی آن ، در 5 مجموعه داده از جمله داده های عمومی و اختصاصی بررسی می کنیم و آنها را با استفاده از 3 عملکرد پیش بینی ارزیابی می کنیم.و 10 معیار انصاف.با انجام این کار ، ما نشان می دهیم که (1) رانش توزیع داده ها یک اتفاق بی اهمیت نیست و در چندین مورد می تواند منجر به وخامت جدی انصاف در مدلهای به اصطلاح منصفانه شود.(2) برخلاف برخی از ادبیات موجود ، اندازه و جهت رانش توزیع داده با اندازه و جهت ناعادلانه حاصل ارتباط ندارد.و (3) انتخاب ، و آموزش الگوریتم های انصاف با تأثیر رانش توزیع داده که تا حد زیادی در ادبیات نادیده گرفته می شود ، تحت تأثیر قرار می گیرد.با ناشی از یافته های ما ، ما چندین پیامدهای سیاست در مورد توزیع توزیع داده ها بر روی الگوریتم های انصاف که می تواند برای ذینفعان و دست اندرکاران بسیار مرتبط باشد ، سنتز می کنیم.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
