Discute de l'évaluation des classificateurs binaires, y compris le rappel, la sensibilité, la spécificité, les courbes ROC et les mesures de performance.
Explore les critères de performance dans l'apprentissage supervisé, en mettant l'accent sur la précision, le rappel et la spécificité dans l'évaluation des modèles.
Explore l'évaluation des modèles d'apprentissage automatique à l'aide de mesures de sortie, de bootstrap et de performance comme le rappel et la précision.
Explore les protocoles d'évaluation dans l'apprentissage automatique, y compris le rappel, la précision, la précision et la spécificité, avec des exemples du monde réel comme les tests COVID-19.
Explore l'apprentissage automatique des droits de l'homme, en mettant l'accent sur la définition des objectifs, le traitement des faux positifs et négatifs, et en assurant la transparence et la confiance.
Explore les sources d'injustice dans l'apprentissage automatique, l'importance des mesures d'équité et l'évaluation des prédictions des modèles à l'aide de diverses mesures d'équité.
Introduit les bases de la recherche de l'information, en mettant l'accent sur la fréquence et la précision des documents dans l'évaluation de la qualité de la recherche.
Couvre le concept de biométrie, le processus d'inscription et de vérification de la biométrie, et l'importance d'équilibrer les faux positifs et les faux négatifs.
Explore l'évaluation des modèles avec K-Nearest Neighbor, couvrant la sélection optimale de k, les mesures de similarité et les mesures de performance pour les modèles de classification.
Introduit les bases de l'apprentissage automatique, y compris la collecte de données, l'évaluation des modèles et la normalisation des fonctionnalités.
