4 human-caused biases we need to fix for machine learning

1. Biaix de la mostra: les dades utilitzades per a entrenar el model no són prou representatives.
2. Biaix de prejudicis: les dades estan influenciades per estereotips culturals o d’altres tipus.
3. Biaix de mesura: hi ha un problema amb el dispositiu utilitzat per a observar o mesurar.
4. Biaix algorítmic: els models amb una alta variació poden adaptar-se fàcilment a la complexitat, però són sensibles al soroll; els models amb un biaix elevat són menys sensibles a les variacions i propensos a no detectar la complexitat.