Parte 7 — Ética, Fairness y Privacidad

6 clases · ~2 semanas · ✅ completada (junio 2026)

Fuente principal: Barocas / Hardt / Narayanan (Fairness and Machine Learning) — el texto de referencia académico para fairness algorítmica. Complementan: Suresh & Guttag 2021 (taxonomía de sesgos), Dwork & Roth 2014 (privacidad diferencial), McMahan et al. 2017 (federated learning), Reglamentos UE 2016/679 (GDPR) y 2024/1689 (AI Act), Pineau et al. 2021 + Mitchell et al. 2019 (reproducibilidad / model cards).

🎯 ¿De qué trata esta parte?

La parte que ningún currículo serio puede omitir en 2026: cómo construir sistemas de ML que no discriminen, no filtren datos personales y sean reproducibles. Cubre los tipos y orígenes del sesgo algorítmico, las métricas formales de fairness (demographic parity, equalized odds, calibration — y por qué son matemáticamente incompatibles entre sí), técnicas modernas como privacidad diferencial y federated learning, y el marco regulatorio actual (GDPR, AI Act europeo).

Cierra con una clase sobre reproducibilidad (seeds, lock files, versionado de datasets) que es prerrequisito de cualquier discusión seria sobre fairness: si no se puede reproducir, no se puede auditar.

🧩 Problemas que resuelve

• Identificar los tipos y fuentes de sesgo en un dataset y en un modelo entrenado.
• Medir fairness con las métricas correctas y explicar por qué no se pueden cumplir todas a la vez.
• Aplicar privacidad diferencial básica para publicar estadísticas sin filtrar individuos.
• Entender cuándo federated learning es la solución correcta (y cuándo es overkill).
• Cumplir requisitos básicos de GDPR y AI Act en un proyecto de ML.
• Hacer un experimento reproducible bit-a-bit.

🎓 Resultados de aprendizaje

Al finalizar esta parte, el estudiante podrá:

• Auditar un modelo clasificador por demographic parity y equalized odds, y reportar trade-offs.
• Documentar un dataset y un modelo con un datasheet / model card.
• Producir un experimento que cualquiera puede reproducir desde el repo en menos de 30 minutos.

🗺️ Estructura temática

• Sesgo y fairness — clases 223–224 — taxonomía de sesgos (Suresh-Guttag), métricas formales (DP, EO, calibration) + impossibility theorem.
• Privacidad — clases 225–226 — privacidad diferencial (Laplace, Gaussiano, DP-SGD), federated learning (FedAvg, gradient leakage).
• Regulación y reproducibilidad — clases 227–228 — GDPR + AI Act EU 2024/1689, seeds/lock files/versionado de datasets.

📥 Material descargable — parte completa

Materiales consolidados con TODAS las clases de esta parte (útiles para revisar offline o imprimir el bloque entero):

• 📄 Guía PDF — parte completa — todas las clases concatenadas con headings demoteados.
• 🎞️ Presentación PPTX — parte completa — portada + TOC + slides de cada clase.

📚 Ficha por clase

✨ 6 de 6 clases tienen contenido pedagógico ampliado (📖 Definiciones · ⚠️ Errores comunes · ❓ FAQ).