Verwaltungsinformationen
| Titel | Inferenz und Vorhersage |
| Dauer | 60 |
| Modulen | A |
| Unterrichtstyp | Vortrag |
| Fokussierung | Technische – Grundlagen der KI |
| Themenbereich | Grundlagen der KI |
Suchbegriffe
Bayesian Inference, maximale Wahrscheinlichkeit, maximale a posteriori, Bayesian Modell Mittelung.,
Lernziele
- Die Lernenden verstehen die Grundidee des bayesischen Denkens,
- Die Lernenden sind mit ML- und MAP-Inferenz mit verschiedenen Distributionen vertraut,
- Die Lernenden verstehen die algorithmischen Aspekte von ML/MAP Inferenz und Vorhersage,
- Die Lernenden verstehen die Idee der Bayesschen Modell Mittelung und probabilistische Vorhersagen.
Erwartete Vorbereitung
Lernveranstaltungen, die vorab abgeschlossen werden müssen
Keine.
Obligatorisch für Studenten
- Überprüfung der grundlegenden Wahrscheinlichkeitstheorie.
Optional für Studenten
Keine.
Referenzen und Hintergründe für Studierende
- Bischof, Christopher M. (2006). Mustererkennung und maschinelles Lernen, Kapitel 1 und 2. Für eine kurze Überprüfung der Wahrscheinlichkeitstheorie siehe Abschnitt 1.2.
Empfohlen für Lehrer
- Machen Sie sich mit den Demonstrationsmaterialien vertraut.
Unterrichtsmaterialien
Anleitung für Lehrer
Decken Sie die Themen in der Unterrichtsskizze ab und demonstrieren Sie die Konzepte mit den interaktiven Notizbüchern (Lieblingsmaximierung/Verlustminimierung, Beziehung zwischen den vorherigen, hinteren und der Anzahl der Beobachtungen). Geben Sie einen kurzen Überblick über den Code.
Gliederung/Zeitplan
| Dauer (min) | Beschreibung | Konzepte |
|---|---|---|
| 10 | Bayesische Behandlung eines Münzwurfs | Beobachtung, Parameter, Bernoulli-Verteilung |
| 10 | Inferenz durch maximale Wahrscheinlichkeit | Wahrscheinlichkeit, Verlustfunktion, Crossentropie |
| 10 | Demonstration (Lieblingsmaximierung) | — |
| 15 | Probabilistische Inferenz über Bayes’ Theorem | vorher, posterior, Beta-Verteilung, Hyperparameter, Maximum a posteriori |
| 5 | Demonstration (vor- und hintere) | — |
| 10 | Prädiktive Verteilung und Modelldurchschnitt | prädiktive Verteilung, Bayessche Modell Mittelung |
Danksagung
Das Human-Centered AI Masters-Programm wurde von der Fazilität „Connecting Europe“ der Europäischen Union im Rahmen des Zuschusses „CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068“ kofinanziert.