Übersicht
Worum es bei diesem Projekt geht.
Führe ein Fairness-Audit für ein Kreditscoring-Modell durch und erstelle ein Audit-Memo. Erhalte ein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Wie umfassend und ehrlich lässt sich ein bestehendes Kreditscoring-Modell auf Subgruppen-Fairness prüfen, inklusive der unmöglichen Vereinbarkeiten zwischen verschiedenen Fairness-Definitionen?
Earning criteria — what you'll demonstrate
- Verschiedene Fairness-Metriken methodisch korrekt berechnen und auseinanderhalten
- Kalibrierungs-Analyse als zentrales Element eines Fairness-Audits einsetzen
- Unmögliche Vereinbarkeiten zwischen Fairness-Definitionen verstehen und kommunizieren
- Audit-Empfehlungen aus quantitativen Befunden ableiten
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
AI Measurement and Evaluation
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.
AI Safety Researcher
Fairness ist ein Kernfeld der AI Safety. Die Challenge übt sowohl die Metrik-Berechnung als auch die theoretische Diskussion der Vereinbarkeiten — beides Pflicht für Safety-Auditor:innen.
Dieses Projekt schärft
- fairness-metrics
- calibration-analysis
- audit-reporting
Data Scientist
Data Scientists in regulierten Branchen werden zunehmend selbst Fairness-Audits liefern. Diese Challenge baut das volle methodische Repertoire dafür auf.
Dieses Projekt schärft
- fairness-metrics
- demographic-parity
- equalized-odds
ML Researcher
Die theoretische Tiefe der unmöglichen Vereinbarkeiten ist ML-Researcher-Material — die Challenge zwingt zur sauberen Auseinandersetzung mit den Grundlagen.
Dieses Projekt schärft
- fairness-metrics
- calibration-analysis
- python
Noch eine Sache