Le biais des données arrive quand les exemples dont apprend un modèle ne représentent pas équitablement tout le monde ou toute chose — donc le modèle finit par être injuste aussi.
Imagine ça comme ceci : Si tu t'entraînais aux lancers francs seulement avec un panier réglé trop bas, tu deviendrais excellent à ce panier-là, mais tu galèrerais sur un panier normal. Ton entraînement n'était pas une représentation équitable du vrai défi — c'est ça, le biais.
Aperçu — la suite de la leçon est réservée aux inscrits.
Votre accès est rattaché à votre compte, pas à ce lien. Connectez-vous avec le même courriel qu'en classe : votre cours vous attend, inutile de ré-entrer le code.
Se connecterPas encore de compte ? En créer unLes premiers modules du cours sont en accès libre. Pour la suite, trois possibilités : acheter ce cours une fois pour toutes, vous abonner pour tout ouvrir, ou entrer le code si vous suivez le cours en classe.