S'engager dans l'équité, la partialité et la fiabilité dans l'évaluation de l'apprentissage, en s'attaquant aux préjugés inconscients et aux disparités entre les sexes dans l'éducation scientifique.
Couvre la motivation, les préjugés, le stress et les routines d'apprentissage dans l'éducation, en mettant l'accent sur l'impact de l'identité sociale et des préjugés inconscients.
Introduit le cours pratique AI et FX, en se concentrant sur des lectures hebdomadaires et des discussions sur les aspects éthiques et juridiques de l'IA.
Explorer la conception expérimentale pour mesurer les résultats d'apprentissage et discuter des biais, de l'équivalence de groupe et des conceptions à l'intérieur des sujets.
Explore l'importance de la gouvernance mondiale dans l'intelligence artificielle, en mettant l'accent sur les pratiques éthiques, les questions de partialité et la confiance dans les technologies de l'intelligence artificielle.
Introduit des concepts clés en matière de droits de l'homme, explore la discrimination, les normes sociales et l'impact des algorithmes sur les droits.
Explore la classification linéaire, l'extraction des caractéristiques, les fonctions de perte, la validation croisée et les échelles spatiales dans le traitement des signaux et l'analyse de l'IRMf.
Explore les bases de l'apprentissage automatique, les conditions conflictuelles, les répercussions sur la vie privée et les défis de déploiement, mettant en évidence les biais et les menaces contradictoires.
Couvre la minimisation empirique des risques, l'apprentissage statistique et des exemples de prédiction du cancer, de prix des maisons et de génération d'images.
