Haldusteave
| Ametinimetus | Mudeli sisustamine ja optimeerimine |
| Kestus | 60 |
| Moodul | A |
| Õppetunni liik | Loeng |
| Keskendumine | Tehniline – AI alused |
| Teema | Tehisintellekti alused |
Võtmesõnad
logistiline regressioon, mudeli paigaldamine, optimeerimine, gradient laskumine, Newtoni meetod, numbriline stabiilsus,
Õpieesmärgid
- Omandada tõestatavaid teadmisi sellest, mis on logistiline regressioon
- Omandada tõendatud teadmised ML-i järeldustest mittekonjugaatmudelites gradientide laskumise kaudu
- Omandada tõendatavaid teadmisi gradiendipõhiste optimeerimisalgoritmide kavandamise ja rakendamise kohta
Eeldatav ettevalmistamine
Õppeüritused, mis tuleb lõpetada enne
Kohustuslik õpilastele
- Vaadake Bayesi järelduste põhitõdesid ja maksimaalset tõenäosust
- Ülevaade elementaarvektori kalkuleerimisest
Valikuline õpilastele
Puudub.
Viited ja taust õpilastele
Puudub.
Soovitatav õpetajatele
- Tutvuge näidismaterjaliga
Õppematerjalid
Juhised õpetajatele
Kirjeldage õppetunni teemasid ja tutvustage interaktiivset sülearvutit kasutades kontseptsioone (reiside arvu, kaotuse väärtuse ja otsuste piiride vaheline seos, erinevad algoritmid ja õppekiiruse mõju). Andke lühiülevaade koodist.
Ülevaade/ajakava
| Kestus (min) | Kirjeldus | Mõisted |
|---|---|---|
| 5 | Sissejuhatus lineaarsesse klassifikatsiooni | binaarne klassifikatsioon, otsuse piir |
| 15 | Logistilise regressioonimudeli määratlemine | klassi tingimuslik tihedus, sigmoidfunktsioon, logistiline regressioon |
| 15 | Maksimaalse tõenäosuse hindamine | binaarne crossentropy, õppekiirus, gradient laskumine |
| 10 | Rakendamise üksikasjad ja numbriline stabiilsus | numbriline stabiilsus, ülevool |
| 10 | Täiustatud algoritmid | Newtoni meetod, reaotsing |
| 5 | Demonstratsioonid |
Tunnustused
Inimkeskse tehisintellekti magistriprogrammi kaasfinantseeris Euroopa Liidu Ühendamise Rahastu toetusega CEF-TC-2020–1 „Digioskused 2020“-EU-IA-0068.