Administrativ information
| Titel | Slutsats och förutsägelse |
| Varaktighet | 60 |
| Modul | A |
| Typ av lektion | Föreläsning |
| Fokus | Tekniska – Grunderna för AI |
| Ämne | Grunderna för AI |
Nyckelord
Bayesian inference, maximal sannolikhet, maximal a posteriori, Bayesian modell medelvärde.,
Lärandemål
- Eleverna förstår grundtanken om Bayesianskt tänkande,
- Eleverna är bekanta med ML och MAP inference med olika distributioner,
- Eleverna förstår de algoritmiska aspekterna av ML/MAP inferens och förutsägelse,
- Eleverna förstår idén om Bayesian modell genomsnitt och probabilistiska förutsägelser.
Förväntad förberedelse
Lärande händelser som ska slutföras innan
Ingen.
Obligatoriskt för studenter
- Genomgång av grundläggande sannolikhetsteori.
Valfritt för studenter
Ingen.
Referenser och bakgrund för studenter
- Biskop, Christopher M. (2006). Mönsterigenkänning och maskininlärning, kapitel 1 och 2. För en kort genomgång av sannolikhetsteorin, se avsnitt 1.2.
Rekommenderas för lärare
- Bekanta sig med demonstrationsmaterialen.
Lektionsmaterial
Instruktioner för lärare
Ta upp ämnena i lektionens skiss och visa begreppen med hjälp av interaktiva anteckningsböcker (sannolikhetsmaximering/förlustminimering, förhållandet mellan föregående, bakre och antalet observationer). Ge en kort översikt över koden.
Skiss/tidsschema
| Längd (min) | Beskrivning | Begrepp |
|---|---|---|
| 10 | Bayesian behandling av ett mynt kastas | observation, parameter, Bernoulli-fördelning |
| 10 | Inferens via maximal sannolikhet | sannolikhet, förlustfunktion, korsentropi |
| 10 | Demonstration (sannolikhetsmaximering) | — |
| 15 | Probabilistisk slutsats via Bayes teorem | tidigare, bakre, betafördelning, hyperparametrar, maximal a posteriori |
| 5 | Demonstration (före och i efterhand) | — |
| 10 | Prediktiv fördelning och modellgenomsnitt | prediktiv fördelning, Bayesian modell genomsnitt |
Erkännanden
Masterprogrammet Human-Centered AI har samfinansierats av Fonden för ett sammanlänkat Europa i Europeiska unionen inom ramen för Grant CEF-TC-2020–1 Digital Skills 2020 EU-IA-0068.