Informations administratives
| Titre | Montage et optimisation du modèle |
| Durée | 60 |
| Module | A |
| Type de leçon | Conférence |
| Focus | Technique — Fondements de l’IA |
| Sujet | Fondements de l’IA |
Mots-clés
régression logistique, montage du modèle, optimisation, descente de gradient, méthode de Newton, stabilité numérique,
Objectifs d’apprentissage
- Acquérir une connaissance démontrable de ce qu’est la régression logistique
- Acquérir une connaissance démontrable de l’inférence ML dans les modèles non conjugués via la descente en gradient
- Acquérir des connaissances démontrables sur la conception et la mise en œuvre d’algorithmes d’optimisation basés sur les gradients
Préparation prévue
Événements d’apprentissage à compléter avant
Obligatoire pour les étudiants
- Examiner les bases de l’inférence bayésienne et la probabilité maximale
- Examiner le calcul des vecteurs élémentaires
Optionnel pour les étudiants
Aucun.
Références et antécédents pour les étudiants
Aucun.
Recommandé pour les enseignants
- Familiarisez-vous avec le matériel de démonstration
Matériel de leçon
Instructions pour les enseignants
Couvrir les sujets dans le schéma de la leçon et démontrer les concepts à l’aide du bloc-notes interactif (relation entre le nombre d’itérations, la valeur de perte et la limite de décision, montrer divers algorithmes et l’effet du taux d’apprentissage). Donnez un bref aperçu du code.
Esquisse/horaire
| Durée (min) | Description | Concepts |
|---|---|---|
| 5 | Introduction à la classification linéaire | classification binaire, limite de décision |
| 15 | Définition d’un modèle de régression logistique | densité conditionnelle de classe, fonction sigmoïde, régression logistique |
| 15 | Estimation maximale de la vraisemblance | crossentropie binaire, taux d’apprentissage, descente en gradient |
| 10 | Détails de mise en œuvre et stabilité numérique | stabilité numérique, débordement |
| 10 | Algorithmes avancés | Méthode de Newton, recherche en ligne |
| 5 | Démonstration |
Remerciements
Le programme de master IA centré sur l’humain a été cofinancé par le mécanisme pour l’interconnexion en Europe de l’Union européenne dans le cadre de la subvention CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.