ensae_teaching_cs

  • 1. Algorithmes
  • 2. Datascience
  • 3. Données massives
  • 4. Projets
  • 5. Examens
  • 6. Découvrir
  • 7. Biblio, FAQ...
  • 8. Getting started
  • 9. Galleries
  • 10. Index, API

Liens

  • Blog
  • Index
  • Module
  • API

Contenu

  • 1. Algorithmes
  • 2. Datascience
  • 3. Données massives
  • 4. Projets
  • 5. Examens
  • 6. Découvrir
  • 7. Biblio, FAQ...
  • 8. Getting started
  • 9. Galleries
  • 10. Index, API

Information

  • FAQ
  • Glossaire
  • README
  • Changements
  • Licence

Sujet précédent

Machine Learning éthique

Sujet suivant

Anonymisation des données / Privacy

Cette page

  • Montrer le code source
On this page
  • Exercice 1 : Construire un arbre de décision avec son propre critère
  • Exercice 2 : appliquer l’algorithme sur le jeu de données adulte
  • Exercice 3 : apprendre sans interactions

Machine Learning éthique - correction¶

Links: notebook, html, PDF, python, slides, GitHub

Ce notebook est inspiré de l’article FairTest: Discovering Unwarranted Associations in Data-Driven Applications et propose d’étudier une façon de vérifier qu’un modèle ou une métrique n’est pas biaisé par rapport à certains critères.

from jyquickhelper import add_notebook_menu
add_notebook_menu()
  • Exercice 1 : Construire un arbre de décision avec son propre critère

  • Exercice 2 : appliquer l’algorithme sur le jeu de données adulte

  • Exercice 3 : apprendre sans interactions

Exercice 1 : Construire un arbre de décision avec son propre critère¶

Exercice 2 : appliquer l’algorithme sur le jeu de données adulte¶

Exercice 3 : apprendre sans interactions¶

Machine Learning éthique Anonymisation des données / Privacy

Mis à jour le 2021-03-03.