ML-For-Beginners 负责任 AI 作业指南：完成并自查「探索 Responsible AI Toolbox」任务（捷克语译本）

ML-For-Beginners 负责任 AI 作业指南完成并自查「探索 Responsible AI Toolbox」任务捷克语译本【免费下载链接】ML-For-Beginners12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all项目地址: https://gitcode.com/GitHub_Trending/ml/ML-For-Beginners本篇指南基于 ML-For-Beginners 课程中第 1 模块第 3 课Fairness and machine learning的捷克语作业文档 translations/cs/1-Introduction/3-fairness/assignment.md完整解析「探索 Responsible AI ToolboxRAI Toolbox」这一实战任务的指令要求与三级评分标准Rubric并结合课程正文与后续章节中关于 Fairlearn、RAI 仪表盘四大分析组件的仓库内容给出可直接落地的执行路径与自查方法。读完本文你将清楚知道该作业要求交付什么、按什么标准打分以及如何组织你的论文或演示来拿满「Exemplary」等级。一、作业定位它在整门课程中的位置该作业是 1-Introduction 模块第三课「公平性与机器学习」的配套任务。课程模块总览见 1-Introduction/README.md其中第 3 课为 Fairness and machine learning捷克语译本的课件正文为 translations/cs/1-Introduction/3-fairness/README.md。作业文档的标题为捷克语「Prozkoumejte toolbox Responsible AI」即「探索 Responsible AI Toolbox」。原文档为英语 1-Introduction/3-fairness/assignment.md捷克语版本由 AI 自动翻译服务 Co-op Translator 生成——文档末尾附有明确的翻译免责声明提示读者自动翻译可能包含错误或偏差原始语言英语文档应视为权威来源。因此本文引用作业要求时以英文版 1-Introduction/3-fairness/assignment.md 的措辞为准捷克语版用于核对译文一致性。二、任务指令的完整要求原作业文档的指令捷克语指令节的完整语义如下此处逐条给出并补全实操含义背景定义本课学习了 Responsible AI Toolbox它被描述为一个「开源、社区驱动的项目旨在帮助数据科学家分析和改进 AI 系统」open-source, community-driven project to help data scientists to analyze and improve AI systems。这句定义在捷克语译本中逐字保留是撰写作业引言时可直接引用的官方定性。核心动作从 RAI Toolbox 提供的一系列 notebook 中挑选一个进行探索explore。原文档给出的入口是 Toolbox 仓库中的表格数据入门 notebook路径记录为notebooks/responsibleaidashboard/tabular/getting-started.ipynbgetting-started 示例。该 notebook 展示了在表格数据上运行 RAI 仪表盘组件的典型流程是完成本作业的推荐起点。交付形式将探索发现写成一篇论文paper或一份演示文稿presentation二选一即可。捷克语译本中「závěrečné práci nebo prezentaci」即「最终作业或演示」与英文版语义一致。三、评分标准Rubric逐档拆解作业文档附带的评分表必须完整理解。原文档的 Rubric 表格为三档制Exemplary / Adequate / Needs Improvement完整继承如下标准CriteriaExemplary优秀Adequate合格Needs Improvement需改进未单列条目提交一篇论文或 PowerPoint 演示文稿内容讨论了Fairlearn 的系统Fairlearns systems、实际运行的 notebook以及从运行中得出的结论提交了一篇论文但没有结论没有提交任何作业从这张表中可以精确读出评分方的三个硬性考察点它们构成了作业内容的「最小完备集」Fairlearn 的系统论文必须交代 Fairlearn 是什么、在 RAI Toolbox 中承担什么角色。Fairlearn 是 RAI Toolbox 的公平性核心组件提供公平性度量如不同群体间的性能/选择率差异与偏差缓解mitigation机制实际运行的 notebook必须说明你运行了哪个 notebook、运行环境如何、过程是否可复现运行得出的结论必须从运行结果中提炼出对模型公平性/行为的具体发现。这是「优秀」档与「合格」档的唯一分界线——只贴过程不给结论只能拿到 Adequate。因此组织作业内容时建议按上述三点各设一节组件介绍 → 复现过程 → 结论与反思再对照上表自查。四、结论从哪里来课程正文提供的分析框架作业要求「从 notebook 运行中得出结论」但结论不是拍脑袋写的。本仓库在课件中已经给出了完整的结论素材库作业文档所在课程正文 1-Introduction/3-fairness/README.md正确路径为 1-Introduction/3-fairness/README.md定义了六条负责任 AI 原则与五类公平性危害这是结论部分应当回应的坐标系。4.1 五类公平性危害分类法课程正文将「不公平Unfairness」定义为对某人群按种族、性别、年龄、残障状态等界定的负面影响或「危害」并给出五类主要公平性危害Allocation资源分配不公例如在性别或族裔之间偏好某一方Quality of service服务质量不足模型只在单一场景下训练现实却复杂得多导致服务对部分人群失效——课程举例某自动洗手液传感器无法识别深色皮肤Denigration污名化不公正地批评和标签化某个人/事物课程引用了图像标注系统将深色皮肤人物误标为「大猩猩」的著名案例Over-/under-representation过度/欠代表某群体在某职业中长期不可见而持续强化这种模式的服务本身就在制造危害Stereotyping刻板印象将某群体与预设属性绑定。课程给出的实证案例正是英-土机器翻译系统由于英语中带有性别刻板联想的词如 chairman翻成土耳其语后性别指代被改写再翻回英语时又出现偏差。这一案例的原始截图就是本文开头的配图源文件 1-Introduction/3-fairness/images/gender-bias-translate-en-tr.png 与 gender-bias-translate-tr-en.png。在 getting-started notebook 的输出中若你观察到的公平性度量在某个敏感特征如性别分组之间出现系统性差异就可以直接归类为上述某一类危害来陈述结论而不是停留在「数字有差距」的描述层面。4.2 六条原则与影响评估清单捷克语课件 translations/cs/1-Introduction/3-fairness/README.md 完整保留了「影响评估Impact assessment」一节在训练模型之前需要弄清系统的目的、预期用途、部署位置、交互对象并围绕四个焦点展开——对个人的潜在不良影响、数据合规要求如 GDPR/HIPAA、潜在危害清单、以及六条核心原则各自的达标情况。作业论文中用一小节「影响评估」回答这四个问题就能显著提升结论的完备度这也是「Exemplary」档所隐含的「分析深度」。4.3 用 RAI 仪表盘四大组件组织「运行结论」课程正文的「Debugging with responsible AI」一节指出传统性能指标是量化聚合值不足以分析模型是否违反负责任 AI 原则而 RAI 仪表盘提供四类整体性分析工具。后续章节 9-Real-World/2-Debugging-ML-Models/README.md 对这四类组件做了源码级的实操展开正好可以作为你运行 notebook 后逐项记录的模板Error Analysis误差分析用树状图展示模型失败在不同群体cohort上的分布节点越红表示错误率越高配套热图可用一两个特征定位误差来源参见 ea-error-cohort.png、ea-heatmap.png。Model Overview模型概览跨群体比较 accuracy、error rate、precision、recall、MAE 等指标差异支持两类差异度量——性能差异如各组召回率之差与选择率差异如贷款批准率之差仪表盘可自动按特征值切分群体如time_in_hospital 3。Data Analysis数据分析识别数据集中过度/欠代表的区域。课程给了一个量化例子若某公司员工数据中高管职位 27% 为女性、73% 为男性招聘广告模型就可能系统性偏向男性受众。Model Interpretability模型可解释性全局解释列出影响整体预测的特征局部解释说明单个样本的预测依据如「为何预测该糖尿病患者 30 天内再入院」若发现敏感特征族裔、性别影响力异常高即为潜在偏见信号参见 9-feature-importance.png。对应的姊妹作业 9-Real-World/2-Debugging-ML-Models/assignment.md 要求探索 RAI 仪表盘示例 notebook 并按同样三要素组件、运行过程、结论提交可与本作业共享同一套结论组织框架。五、建议的执行步骤结合作业指令与上述框架推荐以下流程所有路径均为当前仓库相对路径供核对文档notebook 本体在 RAI Toolbox 外部仓库中按作业原文指示获取复现获取并运行作业指定入口notebooks/responsibleaidashboard/tabular/getting-started.ipynb记录运行环境Python 版本、RAI Toolbox 组件版本与关键输出截图记录 Fairlearn 行为重点截图公平性度量结果与缓解mitigation前后的对比这直接对应 Rubric 的第一考察点写结论把运行发现映射到 4.1 的五类危害分类与 4.2 的影响评估四焦点上说明模型在哪类群体上表现失衡、数据分布是否是根因成文按「组件介绍Fairlearn/RAI Toolbox→ notebook 复现过程 → 结论」三节结构输出论文或 PPT对照 Rubric 自查逐格核对本文第三节表格——确认同时覆盖 Fairlearn 系统、运行的 notebook、运行结论三要素且结论非空核对原文提交前用英语原文 1-Introduction/3-fairness/assignment.md 复核要求遵循捷克语译文末尾声明的「原文优先」原则。六、小结这份看似简短的作业文档实际上锚定了一个完整的评估契约以 RAI Toolbox核心是 Fairlearn 与 RAI 仪表盘的 getting-started notebook 为实验对象以「组件—过程—结论」三要素为交付底线以三级 Rubric 为打分依据。课程正文与 9-Real-World 章节提供的公平性危害分类法、影响评估清单和四大仪表盘组件则是把「运行结论」写得有依据、有分量的全部素材。按本文第五节的流程执行并逐项对照 Rubric 自查即可稳定达到「Exemplary」档的评分要求。【免费下载链接】ML-For-Beginners12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all项目地址: https://gitcode.com/GitHub_Trending/ml/ML-For-Beginners创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考