Administratívne informácie
| Názov | Modelová montáž a optimalizácia |
| Trvanie | 60 |
| Modul | A |
| Druh lekcie | Prednáška |
| Zameranie | Technické – základy umelej inteligencie |
| Téma | Základy umelej inteligencie |
Kľúčové slová
logistická regresia, modelovanie, optimalizácia, gradient klesania, Newtonova metóda, numerická stabilita,
Vzdelávacie ciele
- Získať preukázateľné vedomosti o tom, čo je logistická regresia
- Získať preukázateľné vedomosti o inferencii ML v nekonjugovaných modeloch prostredníctvom gradientového zostupu
- Získať preukázateľné vedomosti o návrhu a implementácii optimalizačných algoritmov založených na prechode
Očakávaná príprava
Naučte sa udalosti, ktoré treba dokončiť predtým
Povinné pre študentov
- Preskúmať základy Bayesian vyvodenie a maximálna pravdepodobnosť
- Prehľad elementárneho vektorového kalkulu
Voliteľné pre študentov
Žiadne.
Referencie a zázemie pre študentov
Žiadne.
Odporúčané pre učiteľov
- Oboznámiť sa s demonštračným materiálom
Učebné materiály
Pokyny pre učiteľov
Zahrňte témy v náčrte hodín a ukážte koncepty pomocou interaktívneho poznámkového bloku (vzťah medzi počtom iterácií, hodnotou straty a hranicou rozhodovania, ukážte rôzne algoritmy a účinok miery učenia). Stručný prehľad o kóde.
Prehľad/časový harmonogram
| Trvanie (min) | Popis | Koncepty |
|---|---|---|
| 5 | Úvod do lineárnej klasifikácie | binárna klasifikácia, hranica rozhodovania |
| 15 | Definovanie logistického regresného modelu | trieda podmienená hustota, sigmoidná funkcia, logistická regresia |
| 15 | Odhad maximálnej pravdepodobnosti | binárna crossentropia, miera učenia, gradient zostup |
| 10 | Podrobnosti o implementácii a numerická stabilita | numerická stabilita, prepad |
| 10 | Pokročilé algoritmy | Newtonova metóda, vyhľadávanie riadkov |
| 5 | Demonštrácia |
Uznania
Program Masters umelej inteligencie zameraný na človeka bol spolufinancovaný z Nástroja Európskej únie na prepájanie Európy v rámci grantu CEF-TC-2020 – 1 Digitálne zručnosti 2020-EU-IA-0068.