ITALIANO

Dati per addestrare algoritmi di intelligenza artificiale
Tipi di dati e loro codifica
Identificazione di pregiudizi (bias) nei dati
Tipi di bias:
1) Bias di conferma
2) Bias di selezione
3) Bias storici
4) Bias di soppravvivenza
5) Bias di disponibilità
6) Bias di outliers
Misure preventive contro i bias dei dati

I materiali del corso possono essere scaricati attraverso il web all'indirizzo:


NESSUN SAPERE STATICO (QUINDI NESSUN LIBRO) PUO ESSERE UTILIZZATO PER QUESTO CORSO

Il corso mira ad enfatizzare l’abilità umana nel superare le potenzialità degli algoritmi di intelligenza artificiale identificandone le debolezze. Gli algoritmi di AI possono essere causa di errori di valutazione che nascono direttamente dai dati che usano. Per identificare questi bias bisogna utilizzare un approccio sistematico e rigoroso diche richiede l’analisi dei dati usati per il modello AI, l’analisi degli algoritmi AI che usano tali dai, il punto di vista degli esperti umani nella risoluzione del problema analizzare attentamente questi bias nei dati, è necessaria una attenta analisi del contesto in cui questi algoritmi si applicano.
Il corso mira a sviluppare competenze di analisi per identificare bias nei dati attraverso metodologie qualitative e quantitative. Le conoscenze e capacità di analisi acquisite sono applicate per attestare la validità delle soluzioni prospettate dagli algoritmi di AI utilizzati per esaminare il comportamento umano, da una prospettiva psicologica e sperimentale.

In seguito sono presentati diversi esempi di ricerca psicologica e sperimentale rivolti ad identificare come si producono dati che possono essere trasformati in codici AI e come si decide che peso dare ai diversi tipi di dati.

Al termine dell’insegnamento, lo studente avrà acquisito strumenti teorici e metodologici per definire e impostare metodologie per identificare bias nei dati.

Conoscenze preliminari di analisi dei dati

Lezioni frontali, seminari e esercitazioni pratiche

La modalità di verifica dell'apprendimento:
- si prefigge l’obiettivo di accertare le capacità di saper descrivere i vari aspetti di analisi dei dati in termini macro features che possono essere modellate e categorizzate attraverso un processo automatico.


La verifica dell'apprendimento si esplica in attraverso una prova nella quale lo studente discute un articolo di ricerca sugli argomenti trattati al corso.

Il superamento dell’esame sarà sancito con una valutazione minima di 18/30 ed una massima di 30/30 e lode

 Gli studenti possono richiedere materiale didattico (ad esempio, libri di testo, articoli, ecc.) in lingua inglese. È inoltre consentito sostenere l'esame in inglese. In tali casi, gli studenti sono tenuti a contattare il professore via e-mail con largo anticipo rispetto alla data dell’esame, al fine di concordare il materiale didattico e le relative modalità d’esame.

Data for training artificial intelligence algorithms
Data types and their coding
Identifying biases in data
Type of bias:
1) Confirmation bias
2) Selection bias
3) Historical bias
4) Suppression bias
5) Availability bias
6) Bias of outliers
Preventive measures against data bias

Italian

Data for training artificial intelligence algorithms
Data types and their coding
Identifying biases in data
Type of bias:
1) Confirmation bias
2) Selection bias
3) Historical bias
4) Suppression bias
5) Availability bias
6) Bias of outliers
Preventive measures against data bias

The course materials can be downloaded through the web at

NO STATIC BOOKS CAN BE USED FOR THIS COURSE

The course aims to develop skills for emphasizing human ability to overcome the potential of artificial intelligence algorithms by identifying their weaknesses. AI algorithms can cause biases that arise directly from the data they use. To identify these biases, one must use a systematic and rigorous approach that requires the analysis of the data used for the AI model, the analysis of the AI algorithms that use such data, the point of view of human experts in solving the problem carefully analyzing these biases in the data, and a careful analysis of the context in which these algorithms apply.
The course aims to develop analysis skills to identify biases in data through qualitative and quantitative methodologies. The acquired knowledge and analysis skills are applied to attest to the validity of the solutions proposed by AI algorithms used to examine human behavior, from a psychological and experimental perspective.
Subsequently, several examples of psychological and experimental research are presented aimed at identifying how data are produced that can be transformed into AI codes and how decisions are made as to what weight to give to different types of data.
By the end of the course, the student will have acquired theoretical and methodological tools to define and set up methodologies to identify bias in data.

Basic knowledge of data analysis

Lectures, seminars and practical exercises

The learning verification mode:
- aims to ascertain the ability to describe the various aspects of data analysis in terms of macro features that can be modelled and categorized through automatic processes (algorithms).

The learning is assessed through a discussion of a research paper on topics covered during the course.
Passing the examination will be sanctioned by a minimum mark of 18/30 and a maximum mark of 30/30 cum laude

Students may request course materials (e.g., textbooks, articles, etc.) in English. They are also permitted to take the exam in English. In such cases, students are required to contact the professor via email well in advance of the exam date, in order to agree on the teaching materials and the corresponding examination procedures.

Data for training artificial intelligence algorithms
Data types and their coding
Identifying biases in data
Type of bias:
1) Confirmation bias
2) Selection bias
3) Historical bias
4) Suppression bias
5) Availability bias
6) Bias of outliers
Preventive measures against data bias