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
The astonishing successes of ML have raised growing concern for the fairness of modern methods when deployed in real world settings. However, studies on fairness have mostly focused on supervised ML, while unsupervised outlier detection (OD), with numerous applications in finance, security, etc., have attracted little attention. While a few studies proposed fairness-enhanced OD algorithms, they remain agnostic to the underlying driving mechanisms or sources of unfairness. Even within the supervised ML literature, there exists debate on whether unfairness stems solely from algorithmic biases (i.e. design choices) or from the biases encoded in the data on which they are trained. To close this gap, this work aims to shed light on the possible sources of unfairness in OD by auditing detection models under different data-centric factors. By injecting various known biases into the input data -- as pertain to sample size disparity, under-representation, feature measurement noise, and group membership obfuscation -- we find that the OD algorithms under the study all exhibit fairness pitfalls, although differing in which types of data bias they are more susceptible to. Most notable of our study is to demonstrate that OD algorithm bias is not merely a data bias problem. A key realization is that the data properties that emerge from bias injection could as well be organic -- as pertain to natural group differences w.r.t. sparsity, base rate, variance, and multi-modality. Either natural or biased, such data properties can give rise to unfairness as they interact with certain algorithmic design choices.
چکیده به فارسی (ترجمه ماشینی)
موفقیت های حیرت انگیز ML نگرانی فزاینده ای را برای انصاف روش های مدرن هنگام استقرار در تنظیمات دنیای واقعی ایجاد کرده است.با این حال ، مطالعات در مورد انصاف بیشتر بر ML تحت نظارت متمرکز شده است ، در حالی که تشخیص دور از دسترس (OD) بدون استفاده ، با کاربردهای بی شماری در امور مالی ، امنیت و غیره ، توجه کمی را به خود جلب کرده است.در حالی که چند مطالعه الگوریتم های OD با انصاف را ارائه می دهند ، آنها به مکانیسم های اساسی رانندگی یا منابع ناعادلانه بودن مبهم هستند.حتی در ادبیات تحت نظارت ML ، بحث در مورد اینکه آیا ناعادلانه صرفاً از تعصبات الگوریتمی (یعنی گزینه های طراحی) یا از تعصبات رمزگذاری شده در داده هایی که در آنها آموزش داده شده است ، وجود دارد.برای بستن این شکاف ، این کار با هدف برطرف کردن منابع احتمالی ناعادلانه در OD با حسابرسی مدل های تشخیص تحت عوامل مختلف داده محور روشن می شود.با تزریق تعصبات مختلف شناخته شده به داده های ورودی-همانطور که مربوط به نابرابری در اندازه نمونه ، نمایندگی ، سر و صدای اندازه گیری ویژگی و انسداد عضویت در گروه است-می فهمیم که الگوریتم های OD تحت مطالعه همه مشکلات انصاف را نشان می دهند ، اگرچه متفاوت است که در آن متفاوت است که در آن متفاوت است.انواع تعصب داده هایی که بیشتر از آنها مستعد هستند.برجسته ترین مطالعه ما نشان دادن این است که تعصب الگوریتم OD صرفاً یک مشکل تعصب داده نیست.تحقق کلیدی این است که خصوصیات داده هایی که از تزریق تعصب ناشی می شوند ، می توانند ارگانیک باشند - مربوط به تفاوت های گروه طبیعی W.R.T.کمبود ، نرخ پایه ، واریانس و چند ماده.یا طبیعی یا مغرضانه ، چنین خصوصیات داده می تواند باعث ناعادلانه بودن شود زیرا آنها با انتخاب های خاص طراحی الگوریتمی تعامل دارند.
📚 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
