數據科學倫理：概念、技術和警世故事

數據科學倫理是關於人們在進行數據科學方面的行為的道德規範。到目前為止，數據科學主要應用於企業和社會並產生了積極成果。

然而，就像任何技術一樣，數據科學也帶來了一些負面後果：隱私侵犯的增加，對敏感群體的數據驅動的歧視以及使用不可解釋的複雜模型做出決策。
沒有哪個數據科學家和業務經理是天生不道德的，只是他們沒有接受過培訓來考慮他們在工作中的倫理問題——本書旨在填補這個越來越重要的空白和解釋不同的概念和技術，幫助讀者理解從k-匿名和差別隱私到同態加密和零知識證明等技術已可以解決隱私侵犯問題，消除敏感群體歧視和提供各種可解釋的人工智慧。

現實生活中的警世故事進一步說明了數據科學倫理的重要性和潛在影響，包括種族主義機器人的故事、搜索審查和人臉識別等。本書中穿插著結構化的練習，提供假設的場景和倫理困境，帶讀者一起思考如何平衡倫理問題和數據的效用。

第1章 資料科學倫理導讀
1.1 資料科學（倫理）的興起 
1.2 為何關注資料倫理？ 
1.3 對錯之分 
1.4 資料科學 
1.5 資料科學倫理平衡 
1.6 資料科學倫理的 FAT 流程框架 
1.7 本章總結 

第2章 倫理資料的收集
2.1 隱私權屬于人權 
2.2 條例 
2.3 隱私保護機制 
2.4 警世故事：“後門”和信息加密 
2.5 偏差 / 偏見 
2.6 警世故事：路況檢測、大猩猩和簡歷 
2.7 人體實驗 
2.8 警世故事：約會、幸福和廣告 
2.9 本章總結 

第3章 倫理數據預處理
3.1 定義和衡量隱私的標準 
3.2 警世故事：再識別 
3.3 定義和選擇變數 
3.4 警世故事：妊娠與人臉識別 
3.5 公平的新定義 
3.6 警世故事：偏見性語言 
3.7 本章總結
 
第4章 倫理建模
4.1 隱私保護資料採擷 
4.2 歧視感知模型 
4.3 警世故事：預測累犯和劃紅線 
4.4 可理解的模型與可解釋的人工智慧 
4.5 警世故事：解釋網頁分類  
4.6 倫理偏好：自動駕駛汽車  
4.7 本章總結

第5章 道德評價
5.1 道德衡量 
5.2 結果的倫理解釋  
5.3 道德報告 
5.4 德里克·斯塔佩爾的警世故事 
5.5 本章總結

第6章 倫理部署
6.1 系統訪問 
6.2 預測差異性與結果差異性 
6.3 警世故事：人臉識別  
6.4 誠實和換臉技術  
6.5 管理方式  
6.6 非預期後果  
6.7 本章總結

第7章 結論
致謝  
參考文獻

[比]大衛·馬滕斯（David Martens）
比利時安特衛普大學工程管理系的資料科學教授。他教授研究生商業經濟學和商業工程的資料採擷、資料科學和倫理學等課程。他長期致力於研究可解釋的人工智慧，其成果發表在高影響力的期刊上，並獲得了一些獎項。他還與大型銀行、保險公司和電信公司以及各種科技初創公司進行合作。