دوره مرز عدالت-دقت در یادگیری ماشین: استراتژی‌های عملی برای داده‌های محدود و تصمیم‌گیری منصفانه همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مرز عدالت-دقت در یادگیری ماشین: استراتژی‌های عملی برای داده‌های محدود و تصمیم‌گیری منصفانه

موضوع کلی: یادگیری ماشین منصفانه

موضوع میانی: مدیریت تعادل دقت و انصاف در مدل‌های هوش مصنوعی

📋 سرفصل‌های دوره

• 1. دوره آموزشی: مرز عدالت-دقت در یادگیری ماشین: استراتژی‌های عملی برای داده‌های محدود و تصمیم‌گیری منصفانه**
• 2. بخش اول: مبانی و مفاهیم کلیدی**
• 3. مقدمه‌ای بر یادگیری ماشین منصفانه
• 4. تاریخچه و اهمیت عدالت الگوریتمی
• 5. چرا مدل‌های دقیق می‌توانند ناعادلانه باشند؟
• 6. تعریف سوگیری (Bias) در مقابل انصاف (Fairness)
• 7. منابع رایج سوگیری در خط لوله یادگیری ماشین
• 8. سوگیری تاریخی، نمایشی، و اندازه‌گیری
• 9. معرفی تنش ذاتی: دقت در برابر عدالت
• 10. هزینه اجتماعی تصمیم‌گیری‌های الگوریتمی ناعادلانه
• 11. معرفی مقاله الهام‌بخش: The Statistical Fairness-Accuracy Frontier
• 12. نقشه راه دوره: از تئوری تا پیاده‌سازی عملی
• 13. بخش دوم: تعریف و اندازه‌گیری انصاف**
• 14. اهمیت تعریف دقیق انصاف: زمینه و کاربرد
• 15. معرفی گروه‌های محافظت‌شده (Protected Attributes)
• 16. انصاف گروهی (Group Fairness) در مقابل انصاف فردی (Individual Fairness)
• 17. معیارهای آماری انصاف: برابری آماری (Statistical Parity)
• 18. بررسی عمیق برابری فرصت (Equal Opportunity)
• 19. بررسی عمیق برابری شانس‌ها (Equalized Odds)
• 20. معیار برابری نرخ پیش‌بینی مثبت (Predictive Rate Parity)
• 21. کالیبراسیون و ارتباط آن با انصاف
• 22. مفهوم انصاف فردی: "با افراد مشابه، مشابه رفتار کن"
• 23. آشنایی با مفهوم انصاف علّی (Causal Fairness)
• 24. انتخاب معیار انصاف مناسب برای مسئله شما
• 25. چگونه سوگیری را در مجموعه داده خود کشف کنیم؟
• 26. ابزارهای بصری‌سازی برای تشخیص عدم توازن و سوگیری
• 27. ماتریس درهم‌ریختگی (Confusion Matrix) برای زیرگروه‌ها
• 28. ارزیابی و ممیزی مدل‌های موجود از منظر انصاف
• 29. بخش سوم: درک مرز عدالت-دقت**
• 30. مفهوم مرز پارتو (Pareto Frontier) در بهینه‌سازی
• 31. تعریف مرز عدالت-دقت (The Fairness-Accuracy Frontier)
• 32. چگونه مرز عدالت-دقت را برای یک مدل ترسیم کنیم؟
• 33. تفسیر نقاط روی مرز: بهترین مبادله ممکن
• 34. تفسیر نقاط زیر مرز: مدل‌های ناکارآمد
• 35. مفهوم "قیمت انصاف" (The Price of Fairness)
• 36. چرا مرز عدالت-دقت یک مفهوم آماری است؟
• 37. نقش الگوریتم یادگیری در شکل‌دهی مرز
• 38. مرز عدالت-دقت برای معیارهای مختلف انصاف
• 39. تحلیل حساسیت مرز نسبت به انتخاب گروه محافظت‌شده
• 40. بخش چهارم: نقش محوری داده‌ها در جابجایی مرز**
• 41. فراتر از مبادله: چگونه می‌توان همزمان دقت و انصاف را بهبود بخشید؟
• 42. تأثیر حجم داده بر جابجایی مرز عدالت-دقت
• 43. نقش کیفیت داده و مهندسی ویژگی در بهبود همزمان عدالت و دقت
• 44. انصاف کاهش‌پذیر در مقابل انصاف کاهش‌ناپذیر: محدودیت‌های تحمیل‌شده توسط داده
• 45. استراتژی‌های جمع‌آوری داده هدفمند برای بهبود انصاف
• 46. تکنیک‌های نمونه‌برداری برای کاهش سوگیری نمایشی
• 47. افزونش داده (Data Augmentation) با در نظر گرفتن ملاحظات انصاف
• 48. شناسایی و اصلاح پراکسی‌های (Proxy) مضر برای گروه‌های محافظت‌شده
• 49. تأثیر برچسب‌های نویزدار (Noisy Labels) بر مرز عدالت-دقت
• 50. مطالعه موردی: تحلیل تأثیر داده بر مرز در یک سناریوی واقعی
• 51. بخش پنجم: استراتژی‌های کاهش سوگیری: پیش از پردازش (Pre-processing)**
• 52. مقدمه‌ای بر سه رویکرد کاهش سوگیری: پیش، حین و پس از پردازش
• 53. استراتژی‌های پیش از پردازش: اصلاح داده‌ها قبل از آموزش
• 54. تکنیک بازوزن‌دهی (Reweighing) برای متعادل‌سازی تأثیر نمونه‌ها
• 55. حذف‌کننده تأثیر نامتناسب (Disparate Impact Remover)
• 56. سرکوب (Suppression): حذف ویژگی‌های حساس
• 57. یادگیری نمایش‌های منصفانه (Learning Fair Representations)
• 58. تکنیک‌های مبتنی بر نمونه‌برداری بهینه (Optimized Pre-processing)
• 59. مزایا و معایب روش‌های پیش از پردازش
• 60. چه زمانی از تکنیک‌های پیش از پردازش استفاده کنیم؟
• 61. پیاده‌سازی Reweighing در پایتون
• 62. بخش ششم: استراتژی‌های کاهش سوگیری: حین پردازش (In-processing)**
• 63. استراتژی‌های حین پردازش: اصلاح الگوریتم یادگیری
• 64. افزودن قیدهای انصاف به تابع هزینه مدل
• 65. تکنیک‌های مبتنی بر منظم‌سازی (Regularization) برای انصاف
• 66. یادگیری تخاصمی برای کاهش سوگیری (Adversarial Debiasing)
• 67. مدل‌سازی کاهش سوگیری به عنوان یک مسئله بهینه‌سازی مقید
• 68. الگوریتم‌های مبتنی بر کاهش (Reduction-based Algorithms)
• 69. مزایا و معایب روش‌های حین پردازش
• 70. پیاده‌سازی Adversarial Debiasing در پایتون
• 71. مقایسه عملکرد روش‌های مختلف حین پردازش
• 72. انتخاب بهترین الگوریتم In-processing برای کاربرد شما
• 73. بخش هفتم: استراتژی‌های کاهش سوگیری: پس از پردازش (Post-processing)**
• 74. استراتژی‌های پس از پردازش: اصلاح خروجی‌های مدل
• 75. اصلاح آستانه تصمیم‌گیری (Thresholding) برای گروه‌های مختلف
• 76. کالیبراسیون برابری شانس‌ها (Equalized Odds Post-processing)
• 77. پس‌پردازش مبتنی بر رد کردن گزینشی (Reject Option Classification)
• 78. محدودیت‌های اساسی روش‌های پس از پردازش
• 79. چرا پس از پردازش اغلب یک راه‌حل موقتی است؟
• 80. مزایا و معایب روش‌های پس از پردازش
• 81. پیاده‌سازی اصلاح آستانه در پایتون
• 82. مقایسه جامع سه رویکرد: Pre، In و Post-processing
• 83. ترکیب استراتژی‌ها: رویکردی چندلایه برای انصاف
• 84. بخش هشتم: موضوعات پیشرفته و ملاحظات عملی**
• 85. فراتر از گروه‌های دوتایی: انصاف برای چند گروه و چند ویژگی
• 86. انصاف تقاطعی (Intersectionality): تحلیل سوگیری در تقاطع هویت‌ها
• 87. تأثیرات بلندمدت و حلقه‌های بازخورد در سیستم‌های منصفانه
• 88. ارتباط بین انصاف و یادگیری ماشین قابل توضیح (XAI)
• 89. انصاف در مدل‌های غیرنظارتی (Unsupervised Learning)
• 90. ملاحظات انصاف در پردازش زبان طبیعی (NLP)
• 91. چالش‌های انصاف در بینایی ماشین (Computer Vision)
• 92. معرفی ابزارها و کتابخانه‌های عملی: AIF360 و Fairlearn
• 93. چگونه نتایج تحلیل انصاف را به ذی‌نفعان غیرفنی گزارش دهیم؟
• 94. چارچوب‌های قانونی و اخلاقی: از GDPR تا AI Act
• 95. بخش نهم: مطالعات موردی و پیاده‌سازی در دنیای واقعی**
• 96. مطالعه موردی ۱: تحلیل انصاف در سیستم پیش‌بینی جرم (COMPAS)
• 97. مطالعه موردی ۲: ارزیابی و بهبود عدالت در مدل‌های اعتبارسنجی بانکی
• 98. مطالعه موردی ۳: کاهش سوگیری جنسیتی در سیستم‌های استخدام خودکار
• 99. مطالعه موردی ۴: انصاف در الگوریتم‌های توصیه‌گر (Recommender Systems)
• 100. کارگاه عملی: ساخت یک خط لوله یادگیری ماشین منصفانه از صفر تا صد