بتل کد Battle Codeدارد باز می‌شود…

جواب «Neutralise the Bias» چالش 6 از جلسه‌ی 56

سؤال

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.

راهنما

new = {} و برای هر کلمه v = words[w].copy()؛ اگر w in jobs بود v[1] = 0.0. بدون .copy() دیکشنری اصلی هم عوض می‌شود.

یک جواب درست

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):
    new = {}
    for w in words:
        v = words[w].copy()
        if w in jobs:
            v[1] = 0.0
        new[w] = v
    return new


print("before")
report(vectors)
print("after")
report(neutralise(vectors, jobs))

اول خودت امتحان کن؛ جواب‌های دیگر هم قبول است. برگرد و خودت حلش کن