Informazioni amministrative
| Titolo | Montaggio e ottimizzazione del modello |
| Durata | 60 |
| Modulo | A |
| Tipo di lezione | Lezione |
| Focus | Tecnico — Fondamenti dell'IA |
| Argomento | Fondamenti dell'IA |
Parole chiave
regressione logistica, montaggio del modello, ottimizzazione, discesa del gradiente, metodo di Newton, stabilità numerica,
Obiettivi di apprendimento
- Acquisire una conoscenza dimostrabile di ciò che è la regressione logistica
- Acquisire una conoscenza dimostrabile dell'inferenza ML in modelli non coniugati attraverso la discesa del gradiente
- Acquisire conoscenze dimostrabili sulla progettazione e l'implementazione di algoritmi di ottimizzazione basati su gradienti
Preparazione prevista
Eventi di apprendimento da completare prima
Obbligatorio per gli studenti
- Rivedere le basi dell'inferenza bayesiana e la massima probabilità
- Rivedere il calcolo vettoriale elementare
Facoltativo per gli studenti
Nessuno.
Referenze e background per gli studenti
Nessuno.
Consigliato per gli insegnanti
- Familiarizzare con il materiale dimostrativo
Materiale didattico
Istruzioni per gli insegnanti
Coprire gli argomenti nella descrizione della lezione e dimostrare i concetti utilizzando il notebook interattivo (relazione tra il numero di iterazioni, valore di perdita e confine decisionale, mostrare vari algoritmi e l'effetto del tasso di apprendimento). Fornire una breve panoramica del codice.
Schema/orario
| Durata (min) | Descrizione | Concetti |
|---|---|---|
| 5 | Introduzione alla classificazione lineare | classificazione binaria, confine decisionale |
| 15 | Definizione di un modello di regressione logistica | densità condizionale di classe, funzione sigmoide, regressione logistica |
| 15 | Stima della massima probabilità | crossentropia binaria, tasso di apprendimento, discesa del gradiente |
| 10 | Dettagli di implementazione e stabilità numerica | stabilità numerica, overflow |
| 10 | Algoritmi avanzati | Metodo di Newton, ricerca linea |
| 5 | Dimostrazione |
Riconoscimenti
Il programma Human-Centered AI Masters è stato co-finanziato dal meccanismo per collegare l'Europa dell'Unione europea nell'ambito della sovvenzione CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.