Διοικητικές πληροφορίες
| Τίτλος | Δένδρα αποφάσεων |
| Διάρκεια | 2 x 45 λεπτά |
| Ενότητα | Α |
| Είδος μαθήματος | Διάλεξη |
| Εστίαση | Πρακτική — Μοντελοποίηση τεχνητής νοημοσύνης |
| Θέμα | Ανάλυση δεδομένων |
Λέξεις-κλειδιά
Απεικόνιση συνόλου δεδομένων και προεπεξεργασία, δέντρο απόφασης, πρότυπο κτίριο, τοποθέτηση και αξιολόγηση ενός δέντρου απόφασης,διασταυρούμενη επικύρωση,
Μαθησιακοί στόχοι
- μάθετε τα βασικά των δέντρων αποφάσεων
Αναμενόμενη προετοιμασία
Μαθησιακές εκδηλώσεις που πρέπει να ολοκληρωθούν πριν
Υποχρεωτικό για τους φοιτητές
- Α/Α
Προαιρετικό για Φοιτητές
- Α/Α
Αναφορές και υπόβαθρο για τους μαθητές
Συνιστάται για εκπαιδευτικούς
- Α/Α
Υλικό μαθήματος
Οδηγίες για τους εκπαιδευτικούς
Μπορείτε να βασίσετε αυτήν την τάξη γύρω από τα σημειωματάρια από BME σε πλατφόρμες ανάλυσης δεδομένων (HU)
Σχεδιάγραμμα/χρονοδιάγραμμα
| Διάρκεια (ελάχ.) | Περιγραφή | Έννοιες | Δραστηριότητα | Υλικό |
|---|---|---|---|---|
| 5 | Συνοπτική παρουσίαση των καθηκόντων που πρέπει να εκτελεστούν | Διάλεξη | ||
| 10 | Απεικόνιση συνόλου δεδομένων και προεπεξεργασία | Προεπεξεργασία δεδομένων | Κωδικοποίηση | Σημειωματάριο Jupyter |
| 10 | Ορισμός ενός δέντρου απόφασης | scikit-μάθε: Δέντρο απόφασης | Κωδικοποίηση | |
| 20 | Πρότυπο Κτίριο | πολυπλοκότητα μοντέλου, σχεδίαση | Τεκμηρίωση | |
| 15 | Τοποθέτηση και αξιολόγηση ενός δέντρου απόφασης | Τακτοποίηση | Κωδικοποίηση | |
| 10 | Διασταυρούμενη επικύρωση | Διασταυρούμενη επικύρωση | Τεκμηρίωση | |
| 15 | Αξιολόγηση του υποδείγματος | εργασίες σε numpy, προεπεξεργασία δεδομένων (κλίμακα), ακρίβεια | Κωδικοποίηση | |
| 5 | Καταληκτικές παρατηρήσεις | Τεκμηρίωση |
Αναγνωρίσεις
Το πρόγραμμα Μάστερ τεχνητής νοημοσύνης με επίκεντρο τον άνθρωπο συγχρηματοδοτήθηκε από τον μηχανισμό «Συνδέοντας την Ευρώπη» της Ευρωπαϊκής Ένωσης στο πλαίσιο της επιχορήγησης CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.