数据科学伦理是关于人们在进行数据科学方面的行为的道德规范。到目前为止，数据科学主要应用于企业和社会并产生了积极成果。 然而，就像任何技术一样，数据科学也带来了一些负面后果：隐私侵犯的增加，对敏感群体的数据驱动的歧视以及使用不可解释的复杂模型做出决策。 没有哪个数据科学家和业务经理是天生不道德的，只是他们没有接受过培训来考虑他们在工作中的伦理问题——本书旨在填补这个越来越重要的空白和解释不同的概念和技术，帮助读者理解从k-匿名和差别隐私到同态加密和零知识证明等技术已可以解决隐私侵犯问题，消除敏感群体歧视和提供各种可解释的人工智能。 现实生活中的警世故事进一步说明了数据科学伦理的重要性和潜在影响，包括种族主义机器人的故事、搜索审查和人脸识别等。本书中穿插着结构化的练习，提供假设的场景和伦理困境，带读者一起思考如何平衡伦理问题和数据的效用。

第1章 数据科学伦理导读 1.1 数据科学（伦理）的兴起 1.2 为何关注数据伦理？ 1.3 对错之分 1.4 数据科学 1.5 数据科学伦理平衡 1.6 数据科学伦理的 FAT 流程框架 1.7 本章总结 第2章 伦理数据的收集 2.1 隐私权属于人权 2.2 条例 2.3 隐私保护机制 2.4 警世故事：“后门”和信息加密 2.5 偏差 / 偏见 2.6 警世故事：路况检测、大猩猩和简历 2.7 人体实验 2.8 警世故事：约会、幸福和广告 2.9 本章总结 第3章 伦理数据预处理 3.1 定义和衡量隐私的标准 3.2 警世故事：再识别 3.3 定义和选择变量 3.4 警世故事：妊娠与人脸识别 3.5 公平的新定义 3.6 警世故事：偏见性语言 3.7 本章总结 第4章 伦理建模 4.1 隐私保护数据挖掘 4.2 歧视感知模型 4.3 警世故事：预测累犯和划红线 4.4 可理解的模型与可解释的人工智能 4.5 警世故事：解释网页分类 4.6 伦理偏好：自动驾驶汽车 4.7 本章总结 第5章 道德评价 5.1 道德衡量 5.2 结果的伦理解释 5.3 道德报告 5.4 德里克·斯塔佩尔的警世故事 5.5 本章总结 第6章 伦理部署 6.1 系统访问 6.2 预测差异性与结果差异性 6.3 警世故事：人脸识别 6.4 诚实和换脸技术 6.5 管理方式 6.6 非预期后果 6.7 本章总结 第7章 结论 致谢 参考文献