ensae_teaching_cs
0.9.3009
  • 1. Algorithmes et programmation
  • 2. Python pour un Data Scientist / Economiste
    • Agilité avec les données
    • Machine Learning - les briques de bases
    • Machine learning - extensions
      • Machine learning - extensions
        • Machine Learning Techniques
        • Modèles plus rares de machine learning
        • Séries temporelles
        • Interprétation, Anonymisation
        • Cryptage, Privacy
        • Graphes - Réseaux - Structures
        • Deep Learning
        • Texte - Natural Language Processing - NLP
    • Galleries de problèmes résolus ou presque
    • Algorithmes, Optimisation, Programmation
    • Bibliographie
    • A propos du cours
  • 3. Eléments logiciels pour le traitement des données massives
  • 4. Projets informatiques
  • 5. Examens
  • 6. Découvrir
  • 7. Visualisation
  • 8. Modules, Bibliographie, Articles, FAQ...
  • 9. Getting started
  • 10. Galleries d'exemples
  • 11. Index
  • 12. API
  • 13. Command lines
ensae_teaching_cs
  • Docs »
  • Python pour un Data Scientist / Economiste »
  • Machine learning - extensions »
  • Machine Learning éthique »
  • Machine Learning éthique - correction
  • View page source

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¶


Next Previous

Dernière mise à jour : 2020-07-01.