Η Μηχανική Μάθηση είναι ίσως ο ταχύτερα αναπτυσσόμενος τομέας της Τεχνητής Νοημοσύνης γιατί τα τελευταία χρόνια έχει προσφέρει πληθώρα μεθόδων που έχουν επιτύχει πολύ καλά έως εντυπωσιακά αποτελέσματα σχεδόν σε κάθε εφαρμογή που απαιτεί ευφυΐα και λήψη αποφάσεων σε διάφορα θέματα που προκύπτουν. Οι αποφάσεις αυτές λόγω του ότι βασίζονται σε αλγοριθμικά μοντέλα μάθησης μπορεί να μεροληπτούν, με αποτέλεσμα να είναι άδικες, δημιουργώντας με αυτόν τον τρόπο προκαταλήψεις στα δεδομένα μας.
Οι χρηματοοικονομικέςς υπηρεσίες, οι τράπεζες και οι ασφάλειες παραμένουν από τους σημαντικότερες τομείς με μεγάλες δυνατότητες να καρπωθούν τα οφέλη της μηχανικής μάθησης με τον τεράστιο όγκο δεδομένων, τους καινοτόμους αλγορίθμους και τις νέες μεθόδους σε διάφορες εφαρμογές.
Στην παρούσα διπλωματική εργασία, γίνεται αναφορά σε βασικές έννοιες όπως Μηχανική Μάθηση και Τεχνητή Νοημοσύνη. Στη συνέχεια αναφερόμαστε στη Μεροληψία της Μηχανικής Μάθησης καθώς και στις μετρικές της δικαιοσύνης. Τέλος, ο στόχος της εργασίας είναι μέσω όλων αυτών των δεδομένων, να εξεταστεί ο εντοπισμός των περιπτώσεων μεροληψίας σε μοντέλα μηχανικής μάθησης, με τη γλώσσα προγραμματισμού Python, σε μια συγκεκριμένη περίπτωση που αφορά την πιστοληπτική ικανότητα λόγω ηλικίας.

Machine Learning is perhaps the fastest growing field of Artificial Intelligence because in recent years it has offered a plethora of methods that have achieved very good to impressive results in almost every application that requires intelligence and decision making on various issues that arise. Because these decisions are based on algorithmic learning models they can be biased, making them unfair, thereby creating biases in our data.
Financial services, banking and insurance remain among the most important sectors with great potential to reap the benefits of machine learning with huge amounts of data, innovative algorithms and new methods in various applications.
In this diploma thesis, reference is made to basic concepts such as Machine Learning and Artificial Intelligence. Next we refer to the Machine Learning Bias as well as the metrics of fairness. Finally, the aim of the paper is through all these data, to examine the detection of cases of bias in machine learning models, with the Python programming language, in a specific case concerning credit rating due to age.