到課程的後半段終於開始跟 ML 比較相關的內容，需要比較認真的學習一下囉

Identify the origins of bias in ML
Make models inclusive
Evaluate ML models with biases
Evaluating metrics with inclusion for your ML system
Equality of opportunity
How to find errors in your dataset using Facets

上面大部分的主題都已經我都已經有接觸過了，網路上也有很多資訊，所以就不多說了
一個比較少見的是 Equality of opportunity 這課程內容來看，
美國好像有規定就算是 ML 也要遵守“法律之前人人平等的概念”。

課程中舉的例子是給審核房貸的例子，可能你的系統有根據人種分類有不同的通過率，
但是不可以有偏見，課程給的建議是 True Positive Rate 要在不同 class 之間保持一致。
不可以有的 Class 容易過房貸，有些人特別不容易，要根據他們真實的還房貸機率來設計。

感謝～