[general_dat] Invitación a cursar materia bimestral: Seminario de Equidad en Algoritmos: comprensión y abordaje (grado y doctorado)

[Viviana Cotik]

Hola,

Los invito a cursar la  materia bimestral *"Seminario de Equidad en
Algoritmos: comprensión y abordaje" *(grado) y *"Seminario sobre equidad en
algoritmos" *(doctorado), que dictaré durante el *4to bimestre*.


Horario: viernes de 10:00 a 13:00 hs.

Inicio: viernes 17 de Octubre.

Duración: 8 semanas.

Puntaje: 2 puntos para grado, 1 punto para doctorado.


El aprendizaje automático se basa en que las computadoras aprendan a
identificar patrones y tomar decisiones que imiten las de los humanos a
partir de datos que se le presentan y con poca intervención humana.
Actualmente el aprendizaje automático está integrado en nuestras vidas para
la automatización de tareas de distinta índole y para la toma de
decisiones.


Existen distintos tipos de sesgos, por raza y etnicidad, edad, sexo, clase,
entre otros. Los algoritmos de aprendizaje automático aprenden a partir de
los datos con los que se los entrena y pueden perpetuar los sesgos que
existen en los mismos. De esta forma pueden otorgar oportunidades, recursos
e información de manera injusta, proveyendo distinta calidad de servicio
para distintas personas. También pueden reforzar estereotipos sociales


Es de suma importancia implementar algoritmos imparciales, usando técnicas
de aprendizaje automático que consideren los sesgos y la equidad (*fairness*).
Para esto hay que considerar, entre otros, el muestreo de datos, el
entrenamiento y la evaluación de los algoritmos, la composición de los
equipos que construyen los sistemas (género, razas, disciplinas) y el
procesamiento de datos. La implementación de algoritmos teniendo en cuenta
la equidad es importante, entre otras áreas de estudio en el procesamiento
del lenguaje natural, el procesamiento del habla y el procesamiento de
imágenes.


En este seminario discutiremos el concepto de equidad (o imparcialidad)
algorítmica y sesgos en sistemas de aprendizaje automático, sus posibles
orígenes, la importancia de conseguir un aprendizaje automático justo y
ético y algunas vías para avanzar en dicho sentido.


Se proporcionará una lista de papers relevantes en la temática. Se pedirá
presentación de los trabajos. También se elaborará un trabajo práctico.


Las correlativas necesarias son:

. Para plan 23: Álgebra Lineal Computacional

.Para plan 93. Métodos Numéricos

. Para Ciencia de datos: Laboratorio de Datos, Álgebra Lineal Computacional

*Puedo considerar otras situaciones*. Por favor aquellos que estén
interesados en cursar la materia y no satisfagan los requerimientos de
correlativas, anótense en esta planilla
<https://forms.gle/fVaDce9SKxZh55sM7>. Además pueden escribirme en
respuesta a este mail.


Saludos,

Viviana