Verwaltungsinformationen
| Titel | Lineare Regression |
| Dauer | 60 |
| Modulen | A |
| Unterrichtstyp | Vortrag |
| Fokussierung | Praktisch – KI-Modellierung |
| Themenbereich | Lineare Regression |
Suchbegriffe
lineare Regression, maximale Wahrscheinlichkeit, maximale a posteriori, Basisfunktionen,
Lernziele
- Um nachweisbare Kenntnisse darüber zu erlangen, was lineare Regression ist
- Nachweisbare Kenntnisse der verschiedenen Ansätze zur linearen Regression zu erwerben: maximale Wahrscheinlichkeitsschätzung (MLE), maximale a-posteriori-Schätzung (MAP), Bayesian
- Um nachweisbare Kenntnisse der analytischen geschlossenen Form für die Anpassung eines linearen Regressionsmodells zu erwerben
- Nachweisbare Kenntnisse nichtlinearisierender linearer Modelle zu erwerben
Erwartete Vorbereitung
Lernveranstaltungen, die vorab abgeschlossen werden müssen
Obligatorisch für Studenten
- Eine Überprüfung der grundlegenden linearen Algebra und der numerischen Lösung linearer Systeme.
Optional für Studenten
Keine.
Referenzen und Hintergründe für Studierende
- Bischof, Christopher M. (2006). Mustererkennung und maschinelles Lernen, Kapitel 3.
Empfohlen für Lehrer
- Machen Sie sich mit dem Demonstrationsmaterial vertraut.
Unterrichtsmaterialien
Anleitung für Lehrer
Decken Sie die Themen in der Unterrichtsskizze ab und demonstrieren Sie die Konzepte mit den interaktiven Notizbüchern (passen Sie ein Modell „manuell“, zeigen Sie die Auswirkungen der Hyperparameter). Geben Sie einen kurzen Überblick über den Code.
Gliederung/Zeitplan
| Dauer (min) | Beschreibung | Konzepte |
|---|---|---|
| 5 | Einführung in die lineare Regression | Hyperebene, normal, Bias |
| 5 | Definieren eines linearen Regressionsmodells | Additivlärm, Gaussische Verteilung |
| 15 | Maximale Wahrscheinlichkeitsschätzung | quadratischer Fehler, lineare Löser |
| 10 | Nichtlineare (polynomiale) Regression | polynomielle Regression, Umwandlung von Proben |
| 10 | Maximale a posteriori-Schätzung | Hyperparameter, Vorab, Regularisierung, numerische Stabilität |
| 5 | Bayesian lineare Regression | Posterior, Unsicherheit, prädiktiver Mittelwert und Varianz |
| 10 | Demonstration |
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.