Administratieve informatie
| Titel | Modelmontage en optimalisatie |
| Looptijd | 60 |
| Module | A |
| Type les | Lezing |
| Focus | Technisch — Stichtingen van AI |
| Onderwerp | Fundamenten van AI |
Sleutelwoorden
logistieke regressie, modelmontage, optimalisatie, gradiëntafdaling, Newton’s methode, numerieke stabiliteit,
Leerdoelen
- Het verwerven van aantoonbare kennis van wat logistieke regressie is
- Om aantoonbare kennis te verwerven van ML-inferentie in niet-geconjugeerde modellen via gradiëntafdaling
- Het verwerven van aantoonbare kennis over het ontwerp en de implementatie van op gradiënt gebaseerde optimalisatie-algoritmen
Verwachte voorbereiding
Leren van gebeurtenissen die moeten worden voltooid voordat
Verplicht voor studenten
- Bekijk de basisprincipes van Bayesiaanse inferentie en maximale waarschijnlijkheid
- Beoordeel elementaire vector calculus
Optioneel voor studenten
Geen.
Referenties en achtergronden voor studenten
Geen.
Aanbevolen voor docenten
- Vertrouwd maken met het demonstratiemateriaal
Lesmateriaal
Instructies voor docenten
Bespreek de onderwerpen in het lesoverzicht en demonstreer de concepten met behulp van het interactieve notitieboek (relatie tussen het aantal iteraties, verlieswaarde en beslissingsgrens, tonen verschillende algoritmen en het effect van de leersnelheid). Geef een kort overzicht van de code.
Overzicht/tijdschema
| Duur (min) | Omschrijving | Concepten |
|---|---|---|
| 5 | Inleiding tot lineaire classificatie | binaire classificatie, beslissingsgrens |
| 15 | Het definiëren van een logistiek regressiemodel | klasse-voorwaardelijke dichtheid, sigmoïde functie, logistieke regressie |
| 15 | Schatting van de maximale waarschijnlijkheid | binaire crossentropie, leersnelheid, gradiëntafdaling |
| 10 | Uitvoeringsdetails en numerieke stabiliteit | numerieke stabiliteit, overloop |
| 10 | Geavanceerde algoritmen | Newton’s methode, lijn zoeken |
| 5 | Demonstratie |
Erkenningen
Het Human-Centered AI Masters-programma werd mede gefinancierd door de Connecting Europe Facility van de Europese Unie in het kader van de subsidie CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.