Hallinnolliset tiedot
| Otsikko | Mallin asennus ja optimointi |
| Kesto | 60 |
| Moduuli | A |
| Oppitunnin tyyppi | Luento |
| Keskittyminen | Tekninen – tekoälyn perusteet |
| Aihe | Tekoälyn perusteet |
Avainsanoja
logistinen regressio, mallisovitus, optimointi, kaltevuus laskeutuminen, Newtonin menetelmä, numeerinen vakaus,
Oppimistavoitteet
- Saada todistettavaa tietoa siitä, mitä logistinen regressio on
- Todistettavissa olevan tiedon hankkiminen ML-päätelmistä konjugoitumattomissa malleissa liukumädän avulla
- Todistettavissa olevan tietämyksen hankkiminen kaltevuuspohjaisten optimointialgoritmien suunnittelusta ja toteuttamisesta
Odotettu valmistelu
Oppimistapahtumat valmistuvat ennen
Pakollinen opiskelijoille
- Tarkastele bayesiläisen päätelmän perusteita ja suurinta todennäköisyyttä
- Tarkastele alkeisvektorilaskentaa
Valinnainen opiskelijoille
Ei mitään.
Referenssejä ja taustaa opiskelijoille
Ei mitään.
Suositellaan opettajille
- Tutustu esittelymateriaaliin
Oppituntimateriaalit
Ohjeita opettajille
Peitä aiheet oppitunnin hahmottelussa ja demonstroi käsitteet interaktiivisen muistikirjan avulla (toteumien lukumäärän, tappioarvon ja päätösrajan välinen suhde, näyttää erilaisia algoritmeja ja oppimisasteen vaikutusta). Anna lyhyt yleiskatsaus koodiin.
Pääpiirteittäin/aika-aikataulu
| Kesto (min) | Kuvaus | Käsitteet |
|---|---|---|
| 5 | Johdatus lineaariseen luokitteluun | binääriluokitus, päätösraja |
| 15 | Logistisen regressiomallin määrittäminen | luokka-ehdollinen tiheys, sigmoiditoiminto, logistinen regressio |
| 15 | Suurimman todennäköisyyden estimointi | binary crossentropia, oppimisaste, gradientti laskeutuminen |
| 10 | Täytäntöönpanon yksityiskohdat ja numeerinen vakaus | numeerinen vakaus, ylivuoto |
| 10 | Kehittyneet algoritmit | Newtonin menetelmä, rivihaku |
| 5 | Mielenosoitus |
Tunnustukset
Human-Centered AI Masters -ohjelmaa rahoitettiin Euroopan unionin Verkkojen Eurooppa -välineestä (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).