Bias hinzugefügt

chapters/Problematiken/Bias.tex

@@ -0,0 +1,26 @@
+\chapter{Bias}
+\label{bias}
+    \section{Inductive Bias}
+    \label{inductive bias}
+        Unter dem \say{inductive bias} versteht man Annahmen, die implizit oder explizit getroffen werden, um das System generalisierbar zu machen.
+        Hierzu gehören unter anderem Dinge wie die Modellauswahl oder die Netzwerkarchitektur von Neuronalen Netzen (\ref{chapter: deep learning}).
+
+        \subsection{Bias-Variance-Tradeoff}
+        \label{bias-variance-tradeoff}
+            Je mehr Bias ein Modell erhält, desto kleiner ist die Varianz, die z.B. durch Rauschen von Messdaten verursacht wird.
+            \includegraphics[width = \textwidth]{bias-variance-tradeoff.png}
+
+    \section{Algorithmic Bias}
+    \label{algorithmic bias}
+        Unter dem \say{algorithmic bias} versteht man alle Einflussfaktoren,
+        die zu einem systematischen Fehler des Systems führen (z.B. Unterrepräsentation einer Personengruppe in den Trainingsdaten).\\
+        \includegraphics[width = \textwidth]{algorithmic_bias.png}
+        Diese Form des Bias kann an unterschiedlichen Stellen der Modellerstellung auftreten.\\
+        \includegraphics[width = \textwidth]{algorithmic_bias.png}\\
+
+        \subsection{Maßnahmen}
+        \label{algorithmic bias: massnahmen}
+            Am besten lässt sich der (algoritmic) Bias durch die Festlegung bestimmter Richtlinien bekämpfen.
+            Hierbei geht es vor allem darum den Bias aufzudecken.
+            Dies ist durch Analyse der Daten, Analyse der eingesetzten Modelle oder eine Überwachung im produktiven Einsatz möglich.
+            Ein erkannter Bias muss dann meist manuell entfernt werden.

parts/Problematiken.tex

@@ -2,4 +2,5 @@
 \label{problematiken}
 
 \input{chapters/Problematiken/Zuverlässigkeit und Vertrauen.tex}
-\input{chapters/Problematiken/Erklärbarkeit.tex}
+\input{chapters/Problematiken/Erklärbarkeit.tex}
+\input{chapters/Problematiken/Bias.tex}