El ecosistema R Tidyverse

Jakob Nielsen, un destacado consultor de usabilidad en UI y diseño web principalmente, definió la usabilidad a través de cinco componentes de calidad: Capacidad de aprendizaje (¿qué tan fácil es para los usuarios realizar tareas básicas la primera vez?), Eficiencia (¿qué tan rápido pueden realizar las tareas una vez aprendidas?), Memorabilidad (¿pueden los usuarios restablecer la competencia después de un período de no usarlo?), Errores (¿cuántos errores cometen los usuarios?) y Satisfacción (¿qué tan agradable es de usar?).

La norma internacional ISO 9241-11 define la usabilidad como el grado en que un producto puede ser utilizado por usuarios específicos para alcanzar objetivos específicos con eficacia, eficiencia y satisfacción en un contexto de uso específico. Esta definición proporciona un marco para medir la usabilidad, desglosándola en tres componentes distintos y cuantificables, yendo más allá de las evaluaciones puramente subjetivas.

In fair machine learning, impossibility theorems demonstrate that it is mathematically impossible for an algorithm to satisfy multiple, seemingly intuitive fairness criteria simultaneously, except in trivial cases. For example, an algorithm cannot generally satisfy both demographic parity (equal positive rates across groups) and equalized odds (equal true positive and false positive rates across groups) if the base rates differ between groups.

La gestión ágil de proyectos es un enfoque iterativo para la ejecución de proyectos a lo largo de su ciclo de vida. Divide los proyectos grandes en tareas más pequeñas y manejables que se completan en iteraciones cortas o sprints. Esto permite la reevaluación frecuente, la adaptación de planes y la flexibilidad ante los cambios. Prioriza la colaboración con el cliente, el software funcional y la respuesta al cambio por encima de la documentación exhaustiva y los planes rígidos.

Algorithmic bias mitigation techniques are categorized into three main stages relative to the model training process. Pre-processing methods modify the training data itself (e.g., reweighing, resampling). In-processing methods incorporate fairness constraints directly into the model's learning algorithm. Post-processing methods adjust the model's predictions after they have been made to improve fairness.

Algorithmic confounding occurs when a proxy variable used by an algorithm is correlated with a protected attribute (like race or gender) and also with the outcome of interest. The algorithm may inadvertently learn to discriminate based on the protected attribute by using the proxy, even if the protected attribute itself is explicitly excluded from the model's input data.