Algorithmic Bias: Verzerrungen durch Algorithmen verstehen und verhindern
portes grátis
Algorithmic Bias: Verzerrungen durch Algorithmen verstehen und verhindern
Ein Leitfaden fuer Entscheider und Data Scientists
Baer, Tobias
Springer Fachmedien Wiesbaden
01/2023
286
Mole
Inglês
9783662663141
15 a 20 dias
462
Descrição não disponível.
Teil I: Eine Einfuehrung in Vorurteile und Algorithmen.- Kapitel 1: Einfuehrung.- Kapitel 2: Vorurteile in der menschlichen Entscheidungsfindung.- Kapitel 3: Wie Algorithmen Entscheidungen verfaelschen.- Kapitel 4: Der Modellentwicklungsprozess.- Kapitel 5: Maschinelles Lernen in Kuerze.- Teil II: Woher kommen die Vorurteile von Algorithmen?.- Kapitel 6: Wie Vorurteile der realen Welt von Algorithmen gespiegelt werden.- Kapitel 7: Die Voreingenommenheit von Datenwissenschaftlern.- Kapitel 8: Wie Daten Voreingenommenheit einfuehren koennen.- Kapitel 9: Die Stabilitaetsvoreingenommenheit von Algorithmen.- Kapitel 10: Voreingenommenheit durch den Algorithmus selbst.- Kapitel 11: Algorithmische Voreingenommenheit und soziale Medien.- Teil III: Was man aus Sicht der Nutzer gegen algorithmische Voreingenommenheit tun kann.- Kapitel 12: Optionen fuer die Entscheidungsfindung.- Kapitel 13: Bewertung des Risikos algorithmischer Verzerrungen.- Kapitel 14: Wie man Algorithmen sicher einsetzt.- Kapitel 15: Wie man algorithmische Verzerrungen erkennt.- Kapitel 16: Managementstrategien zur Korrektur algorithmischer Verzerrungen.- Kapitel 17: Wie man unverzerrte Daten generiert.- Teil IV: Was man gegen algorithmische Verzerrungen aus der Sicht eines Datenwissenschaftlers tun kann.- Kapitel 18: Die Rolle des Datenwissenschaftlers bei der UEberwindung algorithmischer Verzerrungen.- Kapitel 19: Eine Roentgenuntersuchung Ihrer Daten.- Kapitel 20: Wann maschinelles Lernen eingesetzt werden sollte.- Kapitel 21: Wie maschinelles Lernen mit traditionellen Methoden kombiniert werden kann.- Kapitel 22: Wie Verzerrungen in selbstverbessernden Modellen verhindert werden koennen.- Kapitel 23: Wie Debiasing institutionalisiert werden kann.
Este título pertence ao(s) assunto(s) indicados(s). Para ver outros títulos clique no assunto desejado.
algorithmische Verzerrung;Entscheidungsverzerrung;maschinelle Voreingenommenheit;maschinelles Lernen;Kuenstliche Intelligenz;Entschaerfung;praediktive Modellierung;verzerrte Daten;statistische Modellierung;soziologische;Algorithmusanalyse und Problemkomplexitaet
Teil I: Eine Einfuehrung in Vorurteile und Algorithmen.- Kapitel 1: Einfuehrung.- Kapitel 2: Vorurteile in der menschlichen Entscheidungsfindung.- Kapitel 3: Wie Algorithmen Entscheidungen verfaelschen.- Kapitel 4: Der Modellentwicklungsprozess.- Kapitel 5: Maschinelles Lernen in Kuerze.- Teil II: Woher kommen die Vorurteile von Algorithmen?.- Kapitel 6: Wie Vorurteile der realen Welt von Algorithmen gespiegelt werden.- Kapitel 7: Die Voreingenommenheit von Datenwissenschaftlern.- Kapitel 8: Wie Daten Voreingenommenheit einfuehren koennen.- Kapitel 9: Die Stabilitaetsvoreingenommenheit von Algorithmen.- Kapitel 10: Voreingenommenheit durch den Algorithmus selbst.- Kapitel 11: Algorithmische Voreingenommenheit und soziale Medien.- Teil III: Was man aus Sicht der Nutzer gegen algorithmische Voreingenommenheit tun kann.- Kapitel 12: Optionen fuer die Entscheidungsfindung.- Kapitel 13: Bewertung des Risikos algorithmischer Verzerrungen.- Kapitel 14: Wie man Algorithmen sicher einsetzt.- Kapitel 15: Wie man algorithmische Verzerrungen erkennt.- Kapitel 16: Managementstrategien zur Korrektur algorithmischer Verzerrungen.- Kapitel 17: Wie man unverzerrte Daten generiert.- Teil IV: Was man gegen algorithmische Verzerrungen aus der Sicht eines Datenwissenschaftlers tun kann.- Kapitel 18: Die Rolle des Datenwissenschaftlers bei der UEberwindung algorithmischer Verzerrungen.- Kapitel 19: Eine Roentgenuntersuchung Ihrer Daten.- Kapitel 20: Wann maschinelles Lernen eingesetzt werden sollte.- Kapitel 21: Wie maschinelles Lernen mit traditionellen Methoden kombiniert werden kann.- Kapitel 22: Wie Verzerrungen in selbstverbessernden Modellen verhindert werden koennen.- Kapitel 23: Wie Debiasing institutionalisiert werden kann.
Este título pertence ao(s) assunto(s) indicados(s). Para ver outros títulos clique no assunto desejado.
