公平与机器学习

限制和机会

这本书已经出版了。

目录
	前言
	致谢
1	介绍	PDF格式
2	何时进行自动化决策合法的？	PDF格式
	我们探讨是什么使自动化决策成为一个规范问题官僚决策中的关注及其机制形式化规则的应用。
三	分类	PDF格式
	我们在决策理论中引入了正式的非歧视标准设置、建立他们的关系，并说明他们限制。
4	相对概念公平	PDF格式
	我们探讨了反对系统性不同群体待遇的差异以及这些群体所经历的结果。
5	因果关系	PDF格式
	我们深入研究因果关系的技术曲目及其帮助阐明并解决分类范式的不足，同时提出新的概念和规范问题。
6	了解美国反歧视法	PDF格式
	我们讨论什么是美国反歧视法，什么不是，如何它在权衡、限制和如何应用于机器方面进行导航学习。
7	测试中的歧视实践	PDF格式
	我们将歧视测试系统化，并讨论实际情况将其应用于传统决策的复杂性系统和算法系统。
8	更广泛的观点歧视	PDF格式
	我们审查结构性、组织性和人际歧视在社会中，机器学习如何与他们互动，并讨论广泛的潜在干预措施。
9	数据集集合	PDF格式
	数据集是机器学习研究和开发的支柱。我们严格审查了它们的作用、与数据相关的危害，以及数据实践中的调查改进。
	练习和讨论提示
	我们提供了一组在线练习和讨论提示整个教科书涵盖的主题范围。

我们欢迎您的反馈、问题和建议。你可以到达我们位于contact@fairmlbook.org。如果你照本宣科，我们会很高兴听到这件事。

要引用本书，请使用以下bibtex条目：

@书籍{barocas-hardt-narayanan，title={公平与机器学习：局限与机遇}，author={Solon Barocas、Moritz Hardt和Arvind Narayanan}，publisher={MIT出版社}，年份={2023}}

上次更新时间：2023年11月10日星期五22:36:26 CET