Neutralise the Bias چالش 6 از جلسهی 56، سخت
تابع neutralise(words, jobs) را بنویس که یک دیکشنری جدید برگرداند: کپی همهی بردارها، با این تفاوت که برای کلمههای jobs بعد gender (شمارهی ۱) صفر شود. برنامه برای هر شغل شباهت با man و woman را قبل و بعد چاپ میکند. خروجی ده خط: before، doctor: man 0.65 woman 0.16، nurse: man 0.18 woman 0.72، teacher: man 0.29 woman 0.67، engineer: man 0.76 woman 0.13، after، doctor: man 0.44 woman 0.44، nurse: man 0.49 woman 0.49، teacher: man 0.5 woman 0.5، engineer: man 0.5 woman 0.5.
import numpy as np
# dims: person, gender (+1 man, -1 woman), medical, surgery, school, machines
vectors = {
"man": np.array([1.0, 1.0, 0.0, 0.0, 0.0, 0.0]),
"woman": np.array([1.0, -1.0, 0.0, 0.0, 0.0, 0.0]),
"doctor": np.array([1.0, 0.6, 1.0, 0.8, 0.0, 0.0]),
"nurse": np.array([1.0, -0.6, 1.0, 0.3, 0.0, 0.0]),
"teacher": np.array([1.0, -0.4, 0.0, 0.0, 1.0, 0.0]),
"engineer": np.array([1.0, 0.7, 0.0, 0.0, 0.0, 1.0]),
}
jobs = ["doctor", "nurse", "teacher", "engineer"]
def cosine(a, b):
return a @ b / (np.linalg.norm(a) * np.linalg.norm(b))
def report(words):
for j in jobs:
m = round(float(cosine(words[j], words["man"])), 2)
w = round(float(cosine(words[j], words["woman"])), 2)
print(f"{j}: man {m} woman {w}")
def neutralise(words, jobs):
# a new dict: copy every vector, set the gender of jobs to 0
return words
print("before")
report(vectors)
print("after")
report(neutralise(vectors, jobs))
راهنما و جواب این چالش · برگشت به درس جلسهی 56: تعبیهی کلمه ۲
بیشتر بخوان: تابع در پایتون: آموزش def، پارامتر و return با مثال