فلش‌کارت‌های آموزشی تکنیک‌های ریاضی برای ارزیابی و تضمین عدالت الگوریتمی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تکنیک‌های ریاضی برای ارزیابی و تضمین عدالت الگوریتمی

موضوع کلی: هوش مصنوعی و اقتصاد رفتاری

موضوع میانی: عدالت و انصاف در الگوریتم‌ها

📋 سرفصل‌های دوره

• 1. مقدمه ای بر عدالت الگوریتمی
• 2. تعریف عدالت در سیستم های الگوریتمی
• 3. ابعاد مختلف عدالت: منصفانه، بدون تبعیض، قابل تفسیر
• 4. چالش های سنجش عدالت
• 5. مفاهیم پایه در نظریه بازی ها
• 6. تعادل نش در بازی های دو نفره
• 7. مفهوم شاپلی و ارزش شاپلی
• 8. کاربرد نظریه بازی ها در تخصیص منابع
• 9. مقدمه ای بر نظریه اطلاعات
• 10. آنتروپی و اطلاعات متقابل
• 11. کاربرد نظریه اطلاعات در سنجش تبعیض
• 12. اندازه گیری اطلاعات پنهان
• 13. آمار توصیفی برای داده های الگوریتمی
• 14. میانگین، میانه، و واریانس
• 15. هیستوگرام ها و نمودارهای جعبه ای
• 16. تحلیل توزیع داده ها
• 17. آمار استنباطی و آزمون فرض
• 18. آزمون t و تحلیل واریانس
• 19. آزمون کای دو برای استقلال
• 20. آزمون های ناپارامتری
• 21. رگرسیون خطی و مفاهیم آن
• 22. انواع رگرسیون: خطی ساده و چندگانه
• 23. ارزیابی مدل رگرسیون: R-squared
• 24. تفسیر ضرایب رگرسیون
• 25. رگرسیون لجستیک برای متغیرهای دسته ای
• 26. مدل سازی احتمال در تصمیمات الگوریتمی
• 27. تفسیر ضرایب در رگرسیون لجستیک
• 28. ارزیابی مدل های طبقه بندی
• 29. مقدمه ای بر یادگیری ماشین
• 30. انواع الگوریتم های یادگیری ماشین
• 31. نظارت شده، بدون نظارت، تقویتی
• 32. یادگیری ماشین منصفانه
• 33. مفاهیم اولیه تبعیض در یادگیری ماشین
• 34. معیارهای سنجش تبعیض در مدل های پیش بینی
• 35. نرخ مثبت کاذب و منفی کاذب
• 36. نرخ درست مثبت و درست منفی
• 37. توازن در نرخ خطا
• 38. توازن در پیش بینی های مثبت
• 39. توازن در پیش بینی های منفی
• 40. معیارهای مبتنی بر عدم قطعیت
• 41. فاصله بین توزیع های شرطی
• 42. کاربرد ماتریس چولگی
• 43. فاصله کوبک-لیبلر
• 44. متریک های مبتنی بر توزیع
• 45. فاصله کلباخ-لایبلر
• 46. فاصله هامینگ
• 47. فاصله اقلیدسی
• 48. معیارهای مبتنی بر عدم توازن
• 49. شاخص هرفیندال-هیرشمن
• 50. نسبت تمرکز
• 51. معیارهای مبتنی بر عدم همبستگی
• 52. همبستگی پیرسون
• 53. همبستگی اسپیرمن
• 54. ضریب کندال
• 55. روش های پیش پردازش برای کاهش تبعیض
• 56. حذف ویژگی های حساس
• 57. بازنمایی مجدد داده ها
• 58. تخصیص وزن به داده ها
• 59. روش های حین آموزش برای کاهش تبعیض
• 60. منظم سازی مبتنی بر تبعیض
• 61. هزینه های تبعیض در توابع هزینه
• 62. یادگیری تضاد
• 63. روش های پس پردازش برای کاهش تبعیض
• 64. تنظیم آستانه ها
• 65. کالیبراسیون مدل ها
• 66. استانداردسازی پیش بینی ها
• 67. مقدمه ای بر بهینه سازی
• 68. توابع هدف و قیود
• 69. بهینه سازی خطی و غیرخطی
• 70. بهینه سازی محدود و نامحدود
• 71. مفهوم بهینه سازی چند هدفه
• 72. تعریف مجموعه پارتو
• 73. اهمیت یافتن راه حل های پارتو
• 74. کاربرد بهینه سازی در تضمین عدالت
• 75. موازنه بین دقت و عدالت
• 76. تخصیص بهینه منابع با رعایت عدالت
• 77. پیدا کردن تخصیص منصفانه
• 78. بهینه سازی برای دستیابی به معیارهای خاص عدالت
• 79. مثال های عملی از عدالت الگوریتمی در استخدام
• 80. مثال های عملی از عدالت الگوریتمی در اعطای وام
• 81. مثال های عملی از عدالت الگوریتمی در سیستم های قضایی
• 82. مثال های عملی از عدالت الگوریتمی در تشخیص پزشکی
• 83. ارزیابی تاثیر الگوریتم ها بر گروه های اقلیت
• 84. مطالعات موردی در زمینه تبعیض الگوریتمی
• 85. راه کارهای حقوقی و اخلاقی برای تضمین عدالت
• 86. نقش ناظران و نهادهای نظارتی
• 87. استانداردسازی و چارچوب های نظارتی
• 88. اهمیت شفافیت و قابلیت توضیح
• 89. روش های ارتباطی در مورد تصمیمات الگوریتمی
• 90. تعامل با ذینفعان
• 91. آموزش و آگاهی عمومی
• 92. تحقیقات آینده در زمینه عدالت الگوریتمی
• 93. چالش های نوظهور در حوزه هوش مصنوعی
• 94. توسعه ابزارهای جدید برای ارزیابی عدالت
• 95. ملاحظات فرهنگی و اجتماعی در طراحی الگوریتم
• 96. نتیجه گیری و چشم انداز آینده