, ,

کتاب مرز عدالت-دقت در یادگیری ماشین: استراتژی‌های عملی برای داده‌های محدود و تصمیم‌گیری منصفانه

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب مرز عدالت-دقت در یادگیری ماشین: استراتژی‌های عملی برای داده‌های محدود و تصمیم‌گیری منصفانه

موضوع کلی: یادگیری ماشین منصفانه

موضوع میانی: مدیریت تعادل دقت و انصاف در مدل‌های هوش مصنوعی

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. دوره آموزشی: مرز عدالت-دقت در یادگیری ماشین: استراتژی‌های عملی برای داده‌های محدود و تصمیم‌گیری منصفانه**
  • 2. بخش اول: مبانی و مفاهیم کلیدی**
  • 3. مقدمه‌ای بر یادگیری ماشین منصفانه
  • 4. تاریخچه و اهمیت عدالت الگوریتمی
  • 5. چرا مدل‌های دقیق می‌توانند ناعادلانه باشند؟
  • 6. تعریف سوگیری (Bias) در مقابل انصاف (Fairness)
  • 7. منابع رایج سوگیری در خط لوله یادگیری ماشین
  • 8. سوگیری تاریخی، نمایشی، و اندازه‌گیری
  • 9. معرفی تنش ذاتی: دقت در برابر عدالت
  • 10. هزینه اجتماعی تصمیم‌گیری‌های الگوریتمی ناعادلانه
  • 11. معرفی مقاله الهام‌بخش: The Statistical Fairness-Accuracy Frontier
  • 12. نقشه راه دوره: از تئوری تا پیاده‌سازی عملی
  • 13. بخش دوم: تعریف و اندازه‌گیری انصاف**
  • 14. اهمیت تعریف دقیق انصاف: زمینه و کاربرد
  • 15. معرفی گروه‌های محافظت‌شده (Protected Attributes)
  • 16. انصاف گروهی (Group Fairness) در مقابل انصاف فردی (Individual Fairness)
  • 17. معیارهای آماری انصاف: برابری آماری (Statistical Parity)
  • 18. بررسی عمیق برابری فرصت (Equal Opportunity)
  • 19. بررسی عمیق برابری شانس‌ها (Equalized Odds)
  • 20. معیار برابری نرخ پیش‌بینی مثبت (Predictive Rate Parity)
  • 21. کالیبراسیون و ارتباط آن با انصاف
  • 22. مفهوم انصاف فردی: "با افراد مشابه، مشابه رفتار کن"
  • 23. آشنایی با مفهوم انصاف علّی (Causal Fairness)
  • 24. انتخاب معیار انصاف مناسب برای مسئله شما
  • 25. چگونه سوگیری را در مجموعه داده خود کشف کنیم؟
  • 26. ابزارهای بصری‌سازی برای تشخیص عدم توازن و سوگیری
  • 27. ماتریس درهم‌ریختگی (Confusion Matrix) برای زیرگروه‌ها
  • 28. ارزیابی و ممیزی مدل‌های موجود از منظر انصاف
  • 29. بخش سوم: درک مرز عدالت-دقت**
  • 30. مفهوم مرز پارتو (Pareto Frontier) در بهینه‌سازی
  • 31. تعریف مرز عدالت-دقت (The Fairness-Accuracy Frontier)
  • 32. چگونه مرز عدالت-دقت را برای یک مدل ترسیم کنیم؟
  • 33. تفسیر نقاط روی مرز: بهترین مبادله ممکن
  • 34. تفسیر نقاط زیر مرز: مدل‌های ناکارآمد
  • 35. مفهوم "قیمت انصاف" (The Price of Fairness)
  • 36. چرا مرز عدالت-دقت یک مفهوم آماری است؟
  • 37. نقش الگوریتم یادگیری در شکل‌دهی مرز
  • 38. مرز عدالت-دقت برای معیارهای مختلف انصاف
  • 39. تحلیل حساسیت مرز نسبت به انتخاب گروه محافظت‌شده
  • 40. بخش چهارم: نقش محوری داده‌ها در جابجایی مرز**
  • 41. فراتر از مبادله: چگونه می‌توان همزمان دقت و انصاف را بهبود بخشید؟
  • 42. تأثیر حجم داده بر جابجایی مرز عدالت-دقت
  • 43. نقش کیفیت داده و مهندسی ویژگی در بهبود همزمان عدالت و دقت
  • 44. انصاف کاهش‌پذیر در مقابل انصاف کاهش‌ناپذیر: محدودیت‌های تحمیل‌شده توسط داده
  • 45. استراتژی‌های جمع‌آوری داده هدفمند برای بهبود انصاف
  • 46. تکنیک‌های نمونه‌برداری برای کاهش سوگیری نمایشی
  • 47. افزونش داده (Data Augmentation) با در نظر گرفتن ملاحظات انصاف
  • 48. شناسایی و اصلاح پراکسی‌های (Proxy) مضر برای گروه‌های محافظت‌شده
  • 49. تأثیر برچسب‌های نویزدار (Noisy Labels) بر مرز عدالت-دقت
  • 50. مطالعه موردی: تحلیل تأثیر داده بر مرز در یک سناریوی واقعی
  • 51. بخش پنجم: استراتژی‌های کاهش سوگیری: پیش از پردازش (Pre-processing)**
  • 52. مقدمه‌ای بر سه رویکرد کاهش سوگیری: پیش، حین و پس از پردازش
  • 53. استراتژی‌های پیش از پردازش: اصلاح داده‌ها قبل از آموزش
  • 54. تکنیک بازوزن‌دهی (Reweighing) برای متعادل‌سازی تأثیر نمونه‌ها
  • 55. حذف‌کننده تأثیر نامتناسب (Disparate Impact Remover)
  • 56. سرکوب (Suppression): حذف ویژگی‌های حساس
  • 57. یادگیری نمایش‌های منصفانه (Learning Fair Representations)
  • 58. تکنیک‌های مبتنی بر نمونه‌برداری بهینه (Optimized Pre-processing)
  • 59. مزایا و معایب روش‌های پیش از پردازش
  • 60. چه زمانی از تکنیک‌های پیش از پردازش استفاده کنیم؟
  • 61. پیاده‌سازی Reweighing در پایتون
  • 62. بخش ششم: استراتژی‌های کاهش سوگیری: حین پردازش (In-processing)**
  • 63. استراتژی‌های حین پردازش: اصلاح الگوریتم یادگیری
  • 64. افزودن قیدهای انصاف به تابع هزینه مدل
  • 65. تکنیک‌های مبتنی بر منظم‌سازی (Regularization) برای انصاف
  • 66. یادگیری تخاصمی برای کاهش سوگیری (Adversarial Debiasing)
  • 67. مدل‌سازی کاهش سوگیری به عنوان یک مسئله بهینه‌سازی مقید
  • 68. الگوریتم‌های مبتنی بر کاهش (Reduction-based Algorithms)
  • 69. مزایا و معایب روش‌های حین پردازش
  • 70. پیاده‌سازی Adversarial Debiasing در پایتون
  • 71. مقایسه عملکرد روش‌های مختلف حین پردازش
  • 72. انتخاب بهترین الگوریتم In-processing برای کاربرد شما
  • 73. بخش هفتم: استراتژی‌های کاهش سوگیری: پس از پردازش (Post-processing)**
  • 74. استراتژی‌های پس از پردازش: اصلاح خروجی‌های مدل
  • 75. اصلاح آستانه تصمیم‌گیری (Thresholding) برای گروه‌های مختلف
  • 76. کالیبراسیون برابری شانس‌ها (Equalized Odds Post-processing)
  • 77. پس‌پردازش مبتنی بر رد کردن گزینشی (Reject Option Classification)
  • 78. محدودیت‌های اساسی روش‌های پس از پردازش
  • 79. چرا پس از پردازش اغلب یک راه‌حل موقتی است؟
  • 80. مزایا و معایب روش‌های پس از پردازش
  • 81. پیاده‌سازی اصلاح آستانه در پایتون
  • 82. مقایسه جامع سه رویکرد: Pre، In و Post-processing
  • 83. ترکیب استراتژی‌ها: رویکردی چندلایه برای انصاف
  • 84. بخش هشتم: موضوعات پیشرفته و ملاحظات عملی**
  • 85. فراتر از گروه‌های دوتایی: انصاف برای چند گروه و چند ویژگی
  • 86. انصاف تقاطعی (Intersectionality): تحلیل سوگیری در تقاطع هویت‌ها
  • 87. تأثیرات بلندمدت و حلقه‌های بازخورد در سیستم‌های منصفانه
  • 88. ارتباط بین انصاف و یادگیری ماشین قابل توضیح (XAI)
  • 89. انصاف در مدل‌های غیرنظارتی (Unsupervised Learning)
  • 90. ملاحظات انصاف در پردازش زبان طبیعی (NLP)
  • 91. چالش‌های انصاف در بینایی ماشین (Computer Vision)
  • 92. معرفی ابزارها و کتابخانه‌های عملی: AIF360 و Fairlearn
  • 93. چگونه نتایج تحلیل انصاف را به ذی‌نفعان غیرفنی گزارش دهیم؟
  • 94. چارچوب‌های قانونی و اخلاقی: از GDPR تا AI Act
  • 95. بخش نهم: مطالعات موردی و پیاده‌سازی در دنیای واقعی**
  • 96. مطالعه موردی ۱: تحلیل انصاف در سیستم پیش‌بینی جرم (COMPAS)
  • 97. مطالعه موردی ۲: ارزیابی و بهبود عدالت در مدل‌های اعتبارسنجی بانکی
  • 98. مطالعه موردی ۳: کاهش سوگیری جنسیتی در سیستم‌های استخدام خودکار
  • 99. مطالعه موردی ۴: انصاف در الگوریتم‌های توصیه‌گر (Recommender Systems)
  • 100. کارگاه عملی: ساخت یک خط لوله یادگیری ماشین منصفانه از صفر تا صد

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “کتاب مرز عدالت-دقت در یادگیری ماشین: استراتژی‌های عملی برای داده‌های محدود و تصمیم‌گیری منصفانه”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

پیمایش به بالا