Verwaltungsinformationen
| Titel | Modellfitting und Optimierung |
| Dauer | 60 |
| Modulen | A |
| Unterrichtstyp | Vortrag |
| Fokussierung | Technische – Grundlagen der KI |
| Themenbereich | Grundlagen der KI |
Suchbegriffe
logistische Regression, Modellanpassung, Optimierung, Steigungsabstieg, Newtons Methode, numerische Stabilität,
Lernziele
- Um nachweisbare Kenntnisse darüber zu erlangen, was logistische Regression ist
- Um nachweisbare Kenntnisse der ML-Inferenz in nicht konjugaten Modellen über Gradientenabstieg zu erwerben
- Um nachweisbare Kenntnisse über die Konzeption und Implementierung von gradientenbasierten Optimierungsalgorithmen zu erwerben
Erwartete Vorbereitung
Lernveranstaltungen, die vorab abgeschlossen werden müssen
Obligatorisch für Studenten
- Überprüfen Sie die Grundlagen der Bayesschen Inferenz und maximale Wahrscheinlichkeit
- Überprüfung elementarer Vektorrechnung
Optional für Studenten
Keine.
Referenzen und Hintergründe für Studierende
Keine.
Empfohlen für Lehrer
- Machen Sie sich mit dem Demonstrationsmaterial vertraut
Unterrichtsmaterialien
Anleitung für Lehrer
Decken Sie die Themen in der Unterrichtsskizze ab und demonstrieren Sie die Konzepte mit dem interaktiven Notizbuch (Beziehung zwischen der Anzahl der Iterationen, Verlustwert und Entscheidungsgrenze, zeigen verschiedene Algorithmen und die Wirkung der Lernrate). Geben Sie einen kurzen Überblick über den Code.
Gliederung/Zeitplan
| Dauer (min) | Beschreibung | Konzepte |
|---|---|---|
| 5 | Einführung in die lineare Klassifikation | binäre Klassifikation, Entscheidungsgrenze |
| 15 | Definieren eines logistischen Regressionsmodells | klassenbedingte Dichte, Sigmoidfunktion, logistische Regression |
| 15 | Maximale Wahrscheinlichkeitsschätzung | binäre Crossentropie, Lernrate, Gradientenabstieg |
| 10 | Implementierungsdetails und numerische Stabilität | numerische Stabilität, Überlauf |
| 10 | Fortgeschrittene Algorithmen | Newtons Methode, Zeilensuche |
| 5 | Demonstration |
Danksagung
Das Human-Centered AI Masters-Programm wurde von der Fazilität „Connecting Europe“ der Europäischen Union im Rahmen des Zuschusses „CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068“ kofinanziert.