Administrativ information
| Titel | Linjär regression |
| Varaktighet | 60 |
| Modul | A |
| Typ av lektion | Föreläsning |
| Fokus | Praktiskt – AI-modellering |
| Ämne | Linjär regression |
Nyckelord
linjär regression, maximal sannolikhet, maximal a posteriori, basfunktioner,
Lärandemål
- Att få påvisbar kunskap om vad linjär regression är
- Att förvärva påvisbar kunskap om de olika metoderna för linjär regression: maximal sannolikhetsuppskattning (MLE), maximal a-posteriori-skattning (MAP), Bayesian
- Att förvärva påvisbara kunskaper om analytisk sluten form för montering av en linjär regressionsmodell
- Att förvärva påvisbara kunskaper om icke-linjära linjära modeller
Förväntad förberedelse
Lärande händelser som ska slutföras innan
Obligatoriskt för studenter
- En genomgång av grundläggande linjär algebra och lösa linjära system numeriskt.
Valfritt för studenter
Ingen.
Referenser och bakgrund för studenter
- Biskop, Christopher M. (2006). Mönsterigenkänning och maskininlärning, kapitel 3.
Rekommenderas för lärare
- Bekanta sig med demonstrationsmaterialet.
Lektionsmaterial
Instruktioner för lärare
Täcka ämnena i lektionen skiss och visa begreppen med hjälp av interaktiva anteckningsböcker (passar en modell ”manuellt”, som visar effekterna av hyperparametrar). Ge en kort översikt över koden.
Skiss/tidsschema
| Längd (min) | Beskrivning | Begrepp |
|---|---|---|
| 5 | Introduktion till linjär regression | hyperplan, normal, bias |
| 5 | Definiera en linjär regressionsmodell | additivt buller, Gaussisk fördelning |
| 15 | Maximal sannolikhetsuppskattning | kvadratiskt fel, linjära lösare |
| 10 | Icke-linjär (polynom) regression | polynom regression, omvandling av prover |
| 10 | Högsta a posteriori-uppskattning | hyperparameter, tidigare, regularisering, numerisk stabilitet |
| 5 | Bayesian linjär regression | posterior, osäkerhet, prediktiv medelvärde och varians |
| 10 | Demonstration |
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.