Administrativní informace
| Název | Rozhodovací stromy |
| Trvání | 2 x 45 minut |
| Modul | A |
| Typ lekce | Praktické |
| Soustředění | Praktické – modelování umělé inteligence |
| Téma | Analýza údajů |
Klíčová slova
Generování datových souborů, připojení, složitost modelu,
Vzdělávací cíle
- naučte se základy rozhodovacích stromů
Očekávaná příprava
Vzdělávací akce, které mají být dokončeny před
Povinné pro studenty
- Přednáška: Příprava a průzkum dat
- Zasedání v laboratoři: Příprava a průzkum dat
Volitelné pro studenty
Žádné.
Reference a zázemí pro studenty
- Scikit-Learn
- Keras
- Rozhodovací strom na wikipedii
- Ron Kohavi, "Škálování přesnosti klasifikátorů Naive-Bayes: a Decision-Tree Hybrid", Proceedings of the Second International Conference on Knowledge Discovery and Data Mining, 1996.
- https://scikit-learn.org/stable/modules/tree.html
- https://pulplearning.altervista.org/algoritmi-di-machine-learning-decision-tree/
- https://www.kaggle.com/code/hamelg/python-for-data-29-decision-trees/notebook
- https://towardsdatascience.com/decision-trees-in-machine-learning-641b9c4e8052
Doporučeno pro učitele
Žádné.
Materiály pro výuku
Pokyny pro učitele
Tato vzdělávací akce se skládá z laboratorních úkolů, které budou řešeny studenty s pomocí vedoucího instruktora.
Tuto třídu můžete založit kolem poznámkových bloků.
Osnova/časový plán[editovat | editovat zdroj]
| Doba trvání (min) | Popis | Koncepty | Aktivity | Materiál |
|---|---|---|---|---|
| 5 | Stručné informace o úkolech, které mají být provedeny | Úvod | Přednáška | |
| 5 | Generování dvojrozměrného datového souboru | Gaussian hluk, np.random.randn | Kódování | Poznámkový blok Jupyter |
| 10 | Montáž a hodnocení rozhodovacího stromu | scikit-učení | Kódování | |
| 15 | Zkoumání vlivu parametru složitosti modelu | složitost modelu, podpora vektorů, okraje, vykreslování | Dokumentace | |
| 5 | Montáž modelu | Modelová armatura | Kódování | |
| 15 | Vyhodnotit a investigatie efekt parametru | Hodnocení parametrů | Dokumentace | |
| 20 | Implementace vlastního předpočítaného modelu | maticové operace v numpiích | Kódování | |
| 45 | Montáž a vyhodnocení modelu na reálných datech | předzpracování dat (škálování), Přesnost, matice zmatení, křížová validace | Dokumentace |
Potvrzení
Program Human-Centered AI Masters byl spolufinancován Nástrojem Evropské unie pro propojení Evropy v rámci grantu CEF-TC-2020–1 Digitální dovednosti 2020-EU-IA-0068.