Fairness

在實作機器學習的系統時要注意認知偏誤的存在

在這裡課程大致舉例幾種常見的偏誤
通報偏誤只有不尋常的事情與極端值會被注意，普遍而平凡的事不能被展現，比如說Youtube的影片普通來說用戶並不會表達喜歡或不喜歡，這類一般的反應並沒有被注意到，能被注意到的通常都是較為極端的觀點

相信自動化的偏誤，相信自動化或機器學習的結果一定比專家等人為判定要來的好。

覆蓋性的偏誤忽略調查的對象的母群體，只關注在子群體中，可能不能達到預期的效果，例如發問卷給購買本家產品的顧客，因為只又自家的消費者數據，並不能預測整個市場可能對新產品的購買趨向。

參與偏誤在過程中，資料的獲取在不同樣本區間所能拿到的資料本身代表性不足，用上個例子接著說明，就算想到要調查其他產品的使用者，但其他肯配合調查的人可能會比較少，這些被調查的人可能無法代表其他產品使用者的立場。

抽樣偏誤收集樣本的時候的方法，會導致樣本並不是母群體中的隨機樣本，像是電話民調……。

群體偏誤請像透過一兩個案例歸因整個群體都有相似的特徵，而忽略個體本身的差異。

隱性偏誤根據自己的個人經驗做出假設，去訓練模型，比如使用搖頭來作為表達否定的特徵，但其實在某些地區，搖頭表達的是肯定

Google本身還有一些文章在探討這個部分，但由於時間不夠先略過，以後再來補這個部分

到今天，我大致上把速程課程的內容都看過一次了，其實速成課程的內容真的都還蠻簡單的，講的概念非常的基本，也都是之前在修課有學過的概念，所以這幾天鐵人賽沒什麼壓力，每天根據進度學習的時間意外的少，如果要給個合理的時間的話，這樣的課程內容其實三天內就可以結束掉(只是知道個概念，不整理筆記的話)，不過這樣也好，可以有時間好好工作。