旨在理解和防止机器学习中不公平现象的领域的介绍

预处理、处理中、后处理方法和非定量方法

历史偏见、代理变量、不平衡数据集、算法选择和用户反馈循环如何导致不公平的模型

进行探索性公平性分析，并使用平等机会、均等几率和不同影响来衡量公平性

「AI秘籍」系列课程：

使用特征重要性、弗里德曼 H 统计量和 ICE 图分析相互作用

本文中的代码需要安装 R 语言包

如何创建美国选举结果的时间序列分级统计图

数据地址为源地址，如果失效请与我联系。

为什么我们需要了解模型如何进行预测

多项式回归的过度拟合及其避免方法

Interpretability 模型和 Explainability 模型之间的区别以及为什么它可能不那么重要