Informacje administracyjne
| Tytuł | Wnioskowanie i przewidywanie |
| Czas trwania | 60 |
| Moduł | A |
| Rodzaj lekcji | Wykład |
| Skupienie | Techniczne – podstawy sztucznej inteligencji |
| Temat | Podstawy AI |
Słowa kluczowe
Bayesowski wniosek, maksymalne prawdopodobieństwo, maksimum a posteriori, uśrednianie modelu Bayesa.,
Cele w zakresie uczenia się
- Uczniowie rozumieją podstawową ideę myślenia Bayesa,
- Uczniowie znają wnioski ML i MAP z różnych dystrybucji,
- Uczniowie rozumieją algorytmiczne aspekty wnioskowania i przewidywania ML/MAP,
- Uczniowie rozumieją ideę modelu Bayesa uśredniania i probabilistycznych przewidywań.
Oczekiwane przygotowanie
Wydarzenia edukacyjne, które należy ukończyć przed
Brak.
Obowiązkowe dla studentów
- Przegląd podstawowej teorii prawdopodobieństwa.
Opcjonalne dla studentów
Brak.
Referencje i tło dla studentów
- Bishop, Christopher M. (2006). Rozpoznawanie wzorców i uczenie maszynowe, rozdział 1 i 2. Krótki przegląd teorii prawdopodobieństwa znajduje się w sekcji 1.2.
Zalecane dla nauczycieli
- Zapoznaj się z materiałami demonstracyjnymi.
Materiały do lekcji
Instrukcje dla nauczycieli
Omówienie tematów zawartych w zarysu lekcji i zaprezentowanie pojęć za pomocą interaktywnych notebooków (maksymalizacja prawdopodobieństwa/minimalizacja strat, związek między wcześniejszymi, tylnymi i liczbą obserwacji). Podaj krótki przegląd kodu.
Zarys/harmonogram czasu
| Czas trwania (min) | Opis | Koncepcje |
|---|---|---|
| 10 | Bayesowskie leczenie rzutu monetą | obserwacja, parametr, rozkład Bernoulli |
| 10 | Wnioskowanie z maksymalnym prawdopodobieństwem | prawdopodobieństwo, funkcja utraty, crossentropia |
| 10 | Demonstracja (maksymalizacja prawdopodobieństwa) | — |
| 15 | Probabilistyczne wnioskowanie poprzez twierdzenie Bayesa | rozkład przed, tylny, beta, hiperparametry, maksimum a posteriori |
| 5 | Demonstracja (przed i tylna) | — |
| 10 | Dystrybucja predykcyjna i uśrednianie modelu | rozkład predykcyjny, uśrednianie modelu Bayesa |
Potwierdzenia
Program Masters zorientowany na człowieka został współfinansowany przez instrument „Łącząc Europę” Unii Europejskiej w ramach grantu CEF-TC-2020-1 Umiejętności cyfrowe 2020-EU-IA-0068.