Upravne informacije
| Naslov | Opremljanje in optimizacija modela |
| Trajanje | 60 |
| Modul | A |
| Vrsta lekcije | Predavanje |
| Osredotočenost | Tehnični – temelji umetne inteligence |
| Tema | Temelji umetne inteligence |
Ključne besede
logistična regresija, montaža modelov, optimizacija, gradientni spust, Newtonova metoda, numerična stabilnost,
Učni cilji
- Pridobiti dokazljivo znanje o tem, kaj je logistična regresija
- Pridobiti dokazljivo znanje o ML sklepanju pri nekonjugatnih modelih z gradientnim spustom
- Pridobiti dokazljivo znanje o zasnovi in izvajanju algoritmov za optimizacijo na podlagi gradientov
Pričakovana priprava
Učenje Dogodki, ki jih je treba dokončati pred
Obvezno za študente
- Pregled osnov Bayesovega sklepanja in maksimalne verjetnosti
- Pregled elementarnega vektorskega računa
Neobvezno za študente
Nobenega.
Reference in ozadje za študente
Nobenega.
Priporočeno za učitelje
- Seznanite se s predstavitvenim materialom
Gradivo za učne ure
Navodila za učitelje
Opišite teme v orisu lekcije in predstavite koncepte z uporabo interaktivnega zvezka (razmerje med številom iteracij, vrednostjo izgube in mejo odločitve, prikaz različnih algoritmov in učinka učne stopnje). Na kratko opišite kodo.
Oris/časovni razpored
| Trajanje (min) | Opis | Koncepti |
|---|---|---|
| 5 | Uvod v linearno klasifikacijo | binarna klasifikacija, meja odločanja |
| 15 | Opredelitev logističnega regresijskega modela | klasifikacijska gostota, sigmoidna funkcija, logistična regresija |
| 15 | Ocena največje verjetnosti | binarna crossentropija, stopnja učenja, gradient spust |
| 10 | Podrobnosti o izvajanju in numerična stabilnost | numerična stabilnost, preliv |
| 10 | Napredni algoritmi | Newtonov način, iskanje po vrsti |
| 5 | Prikaz |
Priznanja
Program Masters umetne inteligence, ki je bil vključen v človeka, je bil sofinanciran z instrumentom za povezovanje Evrope Evropske unije v okviru nepovratnih sredstev (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).