Informazioni amministrative
| Titolo | Regressione lineare |
| Durata | 60 |
| Modulo | A |
| Tipo di lezione | Lezione |
| Focus | Pratiche — AI Modelling |
| Argomento | Regressione lineare |
Parole chiave
regressione lineare, massima probabilità, massimo a posteriori, funzioni di base,
Obiettivi di apprendimento
- Acquisire una conoscenza dimostrabile di cosa sia la regressione lineare
- Acquisire una conoscenza dimostrabile dei vari approcci alla regressione lineare: massima probabilità di stima (MLE), massima stima a-posteriori (MAP), Bayesian
- Acquisire una conoscenza dimostrabile della forma chiusa analitica per il montaggio di un modello di regressione lineare
- Acquisire una conoscenza dimostrabile di modelli lineari non lineari
Preparazione prevista
Eventi di apprendimento da completare prima
Obbligatorio per gli studenti
- Una revisione dell'algebra lineare di base e la risoluzione numerica dei sistemi lineari.
Facoltativo per gli studenti
Nessuno.
Referenze e background per gli studenti
- Vescovo, Christopher M. (2006). Riconoscimento dei modelli e apprendimento automatico, capitolo 3.
Consigliato per gli insegnanti
- Familiarizzare con il materiale dimostrativo.
Materiale didattico
Istruzioni per gli insegnanti
Coprire gli argomenti della lezione delineando e dimostrare i concetti utilizzando i notebook interattivi (adattando un modello "manualmente", dimostrando gli effetti degli iperparametri). Fornire una breve panoramica del codice.
Schema/orario
| Durata (min) | Descrizione | Concetti |
|---|---|---|
| 5 | Introduzione alla regressione lineare | iperplano, normale, bias |
| 5 | Definizione di un modello di regressione lineare | rumore additivo, distribuzione gaussiana |
| 15 | Stima della massima probabilità | errore quadrato, risolutori lineari |
| 10 | Regressione non lineare (polinomiale) | regressione polinomiale, trasformazione dei campioni |
| 10 | Stima massima a posteriori | iperparametro, prima, regolarizzazione, stabilità numerica |
| 5 | Regressione lineare bayesiana | posteriore, incertezza, media predittiva e varianza |
| 10 | Dimostrazione |
Riconoscimenti
Il programma Human-Centered AI Masters è stato co-finanziato dal meccanismo per collegare l'Europa dell'Unione europea nell'ambito della sovvenzione CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.