Administratieve informatie
| Titel | Fundamenten van deep learning |
| Looptijd | 150 |
| Module | B |
| Type les | Praktisch |
| Focus | Technisch — diep leren |
| Onderwerp | N.V.T. |
Sleutelwoorden
diep leren, modelbouw,bias,
Leerdoelen
- Tune hyper-parameters
- Model bias onderzoeken
Verwachte voorbereiding
Leren van gebeurtenissen die moeten worden voltooid voordat
Verplicht voor studenten
Geen.
Optioneel voor studenten
Geen.
Referenties en achtergronden voor studenten
Geen.
Aanbevolen voor docenten
Geen.
Lesmateriaal
Instructies voor docenten
Dit is een 2,5 uur durende praktijk, waar studenten zullen werken in teams van 3. Het algemene doel van deze praktijk is het identificeren van vooroordelen voor doelgroepen (zoals gedefinieerd in de EG ALTAI [1]). Dit wordt toegepast op zowel de gegevens als de algoritmen. Studenten moeten eventuele vooroordelen identificeren en bespreken die van invloed kunnen zijn op gebruikers van het model. Het bouwen van betrouwbare modellen omvat diepere duiken en discussie over niet alleen hoe goed je model is, maar ook waar de zwakke punten liggen, en eerlijk en vooraf zijn bij het presenteren van de modelstatistieken.
Daartoe zal deze praktijk studenten vragen om data en modelvooringenomenheid vanuit een doelgroepperspectief te onderzoeken, om potentiële en metrisch gestuurde kwesties te bespreken die uit dit werk kunnen voortvloeien.
Het volgende deel beschrijft het overzicht van de taken en de tijdstoewijzing die studenten moeten nastreven. De onderstaande taken zijn gekoppeld aan de secties die u in dit notitieblok moet uitvoeren, sommige code is steigers, sommige worden in zijn geheel gepresenteerd en soms is er helemaal geen code weergegeven. Voor elke taak staat een beschrijving vermeld. Er zijn enkele secties die niet zijn gekoppeld, maar die moeten worden uitgevoerd, bijvoorbeeld de importsectie.
Gegevensverzameling:
Datasets voor het onderwijzen van ethische AI (Census data set)
Omtrek
| Duur (Min) | Omschrijving |
|---|---|
| 10 | Een overzicht geven van de praktische |
| 10 | Opzetten en importeren en lezen van de gegevens |
| 30 | Gegevensverwerking & Gegevensvoorbereiding |
| 40 | Modelontwikkeling |
| 60 | Vooringenomenheid van de doelgroep |
Erkenningen
Het Human-Centered AI Masters-programma werd mede gefinancierd door de Connecting Europe Facility van de Europese Unie in het kader van de subsidie CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.