Adminisztratív információk
| Cím | Modellszerelvény és optimalizálás |
| Időtartam | 60 |
| Modul | A |
| Lecke típusa | Előadás |
| Fókusz | Technikai – A mesterséges intelligencia alapjai |
| Téma | A mesterséges intelligencia alapjai |
Kulcsszó
logisztikus regresszió, modellillesztés, optimalizálás, gradiens lejtő, Newton módszere, numerikus stabilitás,
Tanulási célok
- Bizonyítható tudást szerezni arról, hogy mi a logisztikai regresszió
- A nem konjugált modellekben kimutatható ML-következtetések megszerzése gradiens lejtőn keresztül
- Bizonyítható ismeretek megszerzése a gradiens alapú optimalizálási algoritmusok tervezéséről és megvalósításáról
Várható előkészítés
Az előtt befejezendő tanulási események
Kötelező a diákok számára
- Tekintse át a Bayes-i következtetés alapjait és a maximális valószínűséget
- Elemi vektor kalkulus felülvizsgálata
Választható diákok számára
Egy sem.
Referenciák és háttér a diákok számára
Egy sem.
Ajánlott tanároknak
- Ismerkedjenek meg a bemutató anyaggal
Utasítások tanároknak
Fedezze fel a tananyagban szereplő témákat, és mutassa be a fogalmakat az interaktív jegyzetfüzet segítségével (az iterációk száma, a veszteségérték és a döntési határ közötti kapcsolat, különböző algoritmusok és a tanulási arány hatása). Adjon rövid áttekintést a kódról.
Vázlat/időterv
| Időtartam (perc) | Leírás | Fogalmak |
|---|---|---|
| 5 | Bevezetés a lineáris osztályozásba | bináris besorolás, döntési határ |
| 15 | Logisztikai regressziós modell meghatározása | osztályfeltételes sűrűség, szigmoid függvény, logisztikus regresszió |
| 15 | Maximális valószínűségi becslés | bináris crossentropia, tanulási arány, gradiens leereszkedés |
| 10 | Végrehajtás részletei és numerikus stabilitás | numerikus stabilitás, túlcsordulás |
| 10 | Fejlett algoritmusok | Newton módszere, vonalkeresés |
| 5 | Tüntetés |
Visszaigazolások
A Human-Centered AI Masters programot az Európai Unió Európai Hálózatfinanszírozási Eszköze (CEF-TC-2020–1 Digitális készségek 2020 EU-IA-0068) társfinanszírozta.