Administrativní informace
| Název | Modelové armatury a optimalizace |
| Trvání | 60 |
| Modul | A |
| Typ lekce | Přednáška |
| Soustředění | Technické – Základy umělé inteligence |
| Téma | Základy umělé inteligence |
Klíčová slova
logistická regrese, montáž modelu, optimalizace, sestup gradientu, Newtonova metoda, numerická stabilita,
Vzdělávací cíle
- Získat prokazatelné znalosti o tom, co je logistická regrese
- Získat prokazatelné znalosti o indukci ML v nekonjugovaných modelech prostřednictvím gradientového sestupu
- Získat prokazatelné znalosti o návrhu a implementaci optimalizačních algoritmů založených na gradientu
Očekávaná příprava
Vzdělávací akce, které mají být dokončeny před
Povinné pro studenty
- Podívejte se na základy Bayesovského úsudku a maximální pravděpodobnosti
- Přehled elementárního vektorového počtu
Volitelné pro studenty
Žádné.
Reference a zázemí pro studenty
Žádné.
Doporučeno pro učitele
- Seznamte se s demonstračním materiálem
Materiály pro výuku
Pokyny pro učitele
Pokryjte témata v osnově lekce a demonstrujte koncepty pomocí interaktivního poznámkového bloku (vztah mezi počtem iterací, ztrátovou hodnotou a hranicí rozhodování, zobrazení různých algoritmů a efektu míry učení). Poskytněte stručný přehled kódu.
Osnova/časový rozvrh
| Doba trvání (min) | Popis | Koncepty |
|---|---|---|
| 5 | Úvod do lineární klasifikace | binární klasifikace, hranice rozhodování |
| 15 | Definování logistického regresního modelu | třída podmíněná hustota, sigmoid funkce, logistická regrese |
| 15 | Odhad maximální pravděpodobnosti | binární crossentropie, míra učení, gradient sestup |
| 10 | Podrobnosti o implementaci a numerická stabilita | numerická stabilita, přetečení |
| 10 | Pokročilé algoritmy | Newtonova metoda, hledání řádků |
| 5 | Demonstrace |
Potvrzení
Program Human-Centered AI Masters byl spolufinancován Nástrojem Evropské unie pro propojení Evropy v rámci grantu CEF-TC-2020–1 Digitální dovednosti 2020-EU-IA-0068.