Administratieve informatie
| Titel | Lineaire regressie |
| Looptijd | 60 |
| Module | A |
| Type les | Lezing |
| Focus | Praktisch — AI-modellering |
| Onderwerp | Lineaire regressie |
Sleutelwoorden
lineaire regressie, maximale waarschijnlijkheid, maximum a posteriori, basisfuncties,
Leerdoelen
- Het verwerven van aantoonbare kennis van wat lineaire regressie is
- Het verwerven van aantoonbare kennis van de verschillende benaderingen van lineaire regressie: maximale waarschijnlijkheidsschatting (MLE), maximale a-posteriori-raming (MAP), Bayesian
- Het verwerven van aantoonbare kennis van analytische gesloten vorm voor het monteren van een lineair regressiemodel
- Het verwerven van aantoonbare kennis van niet-lineariserende lineaire modellen
Verwachte voorbereiding
Leren van gebeurtenissen die moeten worden voltooid voordat
Verplicht voor studenten
- Een overzicht van de elementaire lineaire algebra en het oplossen van lineaire systemen numeriek.
Optioneel voor studenten
Geen.
Referenties en achtergronden voor studenten
- Bishop, Christopher M. (2006). Patroonherkenning en machine learning, hoofdstuk 3.
Aanbevolen voor docenten
- Maak kennis met het demonstratiemateriaal.
Lesmateriaal
Instructies voor docenten
Bespreek de onderwerpen in het lesoverzicht en demonstreer de concepten met behulp van de interactieve notitieblokken (het passen van een model „handmatig”, het demonstreren van de effecten van de hyperparameters). Geef een kort overzicht van de code.
Overzicht/tijdschema
| Duur (min) | Omschrijving | Concepten |
|---|---|---|
| 5 | Inleiding tot lineaire regressie | hyperplane, normaal, bias |
| 5 | Het definiëren van een lineair regressiemodel | additief lawaai, Gaussiaanse distributie |
| 15 | Schatting van de maximale waarschijnlijkheid | vierkante fout, lineaire oplossers |
| 10 | Niet-lineaire (polynome) regressie | polynomiale regressie, transformatie van monsters |
| 10 | Maximale schatting achteraf | hyperparameter, voorafgaande, regularisatie, numerieke stabiliteit |
| 5 | Bayesiaanse lineaire regressie | achterste, onzekerheid, voorspellend gemiddelde en variantie |
| 10 | Demonstratie |
Erkenningen
Het Human-Centered AI Masters-programma werd mede gefinancierd door de Connecting Europe Facility van de Europese Unie in het kader van de subsidie CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.