Informações administrativas
| Titulo | Regressão linear |
| Duração | 60 |
| Módulo | A |
| Tipo de aula | Palestra |
| Foco | Prático — Modelação de IA |
| Tópico | Regressão linear |
Palavras-chave
regressão linear, probabilidade máxima, máximo a posteriori, funções de base,
Objetivos de aprendizagem
- Para adquirir conhecimento demonstrável do que a regressão linear é
- Para adquirir conhecimento demonstrável das várias abordagens à regressão linear: estimativa da probabilidade máxima (MLE), estimativa máxima a-posteriori (MAP), Bayesian
- Adquirir conhecimentos demonstráveis de forma analítica fechada para a montagem de um modelo de regressão linear
- Adquirir conhecimentos demonstráveis de modelos lineares não lineares
Preparação prevista
Eventos de aprendizagem a serem concluídos antes
Obrigatório para os Estudantes
- Uma revisão da álgebra linear básica e resolução de sistemas lineares numericamente.
Facultativo para Estudantes
Nenhuma.
Referências e antecedentes para estudantes
- Bishop, Christopher M. (2006). Reconhecimento de padrões e aprendizagem automática, Capítulo 3.
Recomendado para professores
- Familiarize-se com o material de demonstração.
Materiais das aulas
Instruções para os professores
Cobrir os tópicos no esboço da lição e demonstrar os conceitos usando os blocos de notas interativos (ajustando um modelo «manualmente», demonstrando os efeitos dos hiperparametros). Dê uma breve visão geral do código.
Calendário/horário
| Duração (min) | Descrição | Conceitos |
|---|---|---|
| 5 | Introdução à regressão linear | hiperplano, normal, viés |
| 5 | Definição de um modelo de regressão linear | ruído aditivo, distribuição gaussiana |
| 15 | Estimativa da probabilidade máxima | erro ao quadrado, solvadores lineares |
| 10 | Regressão não linear (polinomial) | regressão polinomial, transformação de amostras |
| 10 | Estimativa a posteriori máxima | hiperparâmetro, priorização, regularização, estabilidade numérica |
| 5 | Regressão linear Bayesiana | posterior, incerteza, média preditiva e variância |
| 10 | Demonstração |
Agradecimentos
O programa de mestrado em IA centrado no ser humano foi cofinanciado pelo Mecanismo Interligar a Europa da União Europeia ao abrigo de subvenções CEF-TC-2020-1 Competências Digitais 2020-EU-IA-0068.