Übersicht
Worum es bei diesem Projekt geht.
Führe ein Fairness-Audit eines Bewerbungs-Screenings durch, analysiere Gruppen-Metriken und erhalte ein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Pruefe, ob das Bewerbungs-Screening-Modell entlang geschuetzter Merkmale fair entscheidet, und liefere umsetzbare Korrekturmassnahmen.
Earning criteria — what you'll demonstrate
- Gruppen-Fairness-Metriken sauber berechnen und interpretieren
- Den Unterschied zwischen statistischer Parity und Equalized Odds verstehen
- Audits methodisch durchfuehren und schriftlich verteidigen
- Korrektur-Optionen (Schwelle vs. Retraining vs. Feature-Entfernung) gegeneinander abwaegen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Machine Learning in Practice
Master · Ai Ml
Fit score: 1
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenAI Safety Researcher
Ein vollstaendiges Fairness-Audit unter realen Constraints zu liefern ist die Kernkompetenz fuer AI-Safety-Forscher:innen in Konzernen mit Diversity-Verpflichtungen.
Dieses Projekt schärft
- fairness-evaluation
- ml-ethics
- auditing
Applied AI Scientist
Fairness-Metriken methodisch sauber zu berechnen und gegeneinander abzuwaegen ist eine senior-typische angewandte KI-Aufgabe.
Dieses Projekt schärft
- fairness-evaluation
- model-evaluation
- ml-ethics
AI Product Manager
Audit-Befunde in eine Massnahmenliste mit Aufwand zu uebersetzen und gegen Stakeholder zu verteidigen ist klassische AI-PM-Arbeit in regulierten Branchen.
Dieses Projekt schärft
- stakeholder-management
- auditing
- ml-ethics
Noch eine Sache