测量语言模型中的社会偏见贡献者对应于：（）WuChiyu（）概括TLDR：我们设计了一个基准套件，以测试预训练语言模型中是否存在代表性的社会偏见。
我们的指标捕获了单词和句子级别的偏见，并返回了在公平性和性能之间取得平衡的整体评分。
动机随着机器学习方法被部署在诸如医疗保健，法律系统和社会科学等现实世界中，至关重要的是要认识到它们如何在这些敏感的决策过程中形成社会偏见和成见。
在这样的现实世界中，部署大规模的预训练语言模型（LM）可能会表现出不良的代表性偏见，而这种偏见可能是危险的-刻板印象产生的有害偏见会传播涉及性别，种族，宗教和其他社会建构的负面概括。
为了提高LM的公平性，我们在提出新的基准和度量标准之前，仔细定义了代表偏见的几种来源。
该存储库包含一组工具，用于对LM中的社会偏见进行基准测试。
相关工作最近的工作集中于定义和评估社会偏见[1,2]以及其
我们的指标捕获了单词和句子级别的偏见，并返回了在公平性和性能之间取得平衡的整体评分。
动机随着机器学习方法被部署在诸如医疗保健，法律系统和社会科学等现实世界中，至关重要的是要认识到它们如何在这些敏感的决策过程中形成社会偏见和成见。
在这样的现实世界中，部署大规模的预训练语言模型（LM）可能会表现出不良的代表性偏见，而这种偏见可能是危险的-刻板印象产生的有害偏见会传播涉及性别，种族，宗教和其他社会建构的负面概括。
为了提高LM的公平性，我们在提出新的基准和度量标准之前，仔细定义了代表偏见的几种来源。
该存储库包含一组工具，用于对LM中的社会偏见进行基准测试。
相关工作最近的工作集中于定义和评估社会偏见[1,2]以及其
2024/5/24 12:49:52
4KB
1
叫你如何使用python到如何使用numpy数组以及如何画图等用途，最后叫你如何使用sklearn框架调用机器学习方法
2024/2/19 0:32:07
2.47MB
1
1.C4.5：是机器学习算法中的一种分类决策树算法，其核心算法是ID3算法。
2.K-means算法：是一种聚类算法。
3.SVM：一种监督式学习的方法，广泛运用于统计分类以及回归分析中4.Apriori：是一种最有影响的挖掘布尔关联规则频繁项集的算法。
5.EM：最大期望值法。
6.pagerank：是google算法的重要内容。
7.Adaboost：是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器然后把弱分类器集合起来，构成一个更强的最终分类器。
8.KNN：是一个理论上比较成熟的的方法，也是最简单的机器学习方法之一。
9.NaiveBayes：在众多分类方法中，应用最广泛的有决策树模型和朴素贝叶斯（NaiveBayes）10.Cart：分类与回归树，在分类树下面有两个关键的思想，第一个是关于递归地划分自变量空间的想法，第二个是用验证数据进行减枝
2.K-means算法：是一种聚类算法。
3.SVM：一种监督式学习的方法，广泛运用于统计分类以及回归分析中4.Apriori：是一种最有影响的挖掘布尔关联规则频繁项集的算法。
5.EM：最大期望值法。
6.pagerank：是google算法的重要内容。
7.Adaboost：是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器然后把弱分类器集合起来，构成一个更强的最终分类器。
8.KNN：是一个理论上比较成熟的的方法，也是最简单的机器学习方法之一。
9.NaiveBayes：在众多分类方法中，应用最广泛的有决策树模型和朴素贝叶斯（NaiveBayes）10.Cart：分类与回归树，在分类树下面有两个关键的思想，第一个是关于递归地划分自变量空间的想法，第二个是用验证数据进行减枝
2024/1/25 9:25:40
626KB
1
这是一门专门为STEM学生开发的机器学习入门课程。
我们讨论有监督、无监督和强化学习。
笔记开始阐述了没有神经网络的机器学习方法，如主成分分析，t-SNE，和线性回归。
我们继续介绍基本和高级神经网络结构，如传统神经网络、(变分)自编码器、生成对抗网络、受限玻尔兹曼机器和递归神经网络。
我们讨论有监督、无监督和强化学习。
笔记开始阐述了没有神经网络的机器学习方法，如主成分分析，t-SNE，和线性回归。
我们继续介绍基本和高级神经网络结构，如传统神经网络、(变分)自编码器、生成对抗网络、受限玻尔兹曼机器和递归神经网络。
2023/12/14 4:52:51
4.08MB
1
一个关于人体行为识别的PPT，使用公开的数据集，使用不平衡学习的方法与经典的机器学习方法进行比较。
2023/8/17 4:04:02
9.99MB
1
利用机器学习方法（分类）实现静态场景下的测试车辆检测 利用C语言或者Open_CV库，或者是MATLAB软件编写实现静态场景下的测视车辆检测。
需使用机器学习方法。
代码可以通过一个主函数直接运行出实验结果。
Data文件夹中包含train_34x94（训练集）和test（测试集）两个文件夹。
其中，train_34x94文件夹中的数据用于训练模型，包含pos文件夹（内有550个正例样本）和neg文件夹（内有500个负例样本）；
Test文件夹中的数据用于测试。
在Test测试集中的总体检测性能的评价指标为Recall、Precision和F-measure，写出对算法的性能评价和对实现中遇到问题的理解。
需使用机器学习方法。
代码可以通过一个主函数直接运行出实验结果。
Data文件夹中包含train_34x94（训练集）和test（测试集）两个文件夹。
其中，train_34x94文件夹中的数据用于训练模型，包含pos文件夹（内有550个正例样本）和neg文件夹（内有500个负例样本）；
Test文件夹中的数据用于测试。
在Test测试集中的总体检测性能的评价指标为Recall、Precision和F-measure，写出对算法的性能评价和对实现中遇到问题的理解。
2023/7/26 22:03:20
9.55MB
1
利用python处理UCI鲍鱼年龄预测数据，运用了经典回归、决策树、随机森林、SVM等十余种机器学习方法，附有数据集以及详细python代码
2023/6/8 0:06:30
160KB
1
由PoonamSharma和AkanshaSingh所写：深度学习在各种机器学习和计算机视觉应用中取得了显着的成功。
学习允许多个处理层自己学习功能，与传统的机器学习方法相反，而传统的机器学习方法无法以自然方式处理数据。
深度卷积网络在处理图像和视频方面表现出色，而循环神经网络在顺序数据方面取得了巨大成功。
本文回顾了迄今为止在该领域所做的所有方面和研究以及未来的可能性。
学习允许多个处理层自己学习功能，与传统的机器学习方法相反，而传统的机器学习方法无法以自然方式处理数据。
深度卷积网络在处理图像和视频方面表现出色，而循环神经网络在顺序数据方面取得了巨大成功。
本文回顾了迄今为止在该领域所做的所有方面和研究以及未来的可能性。
2023/3/8 10:45:36
293KB
1
三种机器学习方法和使用CNN训练FashionMNIST的功能比较，三种机器学习方法分别为:随机森林、KNN、朴素贝叶斯。
包含完整代码和测试文档
包含完整代码和测试文档
2023/3/6 18:31:53
30.39MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB