Administrative oplysninger
| Titel | Beslutningstræer |
| Varighed | 2 x 45 minutter |
| Modul | A |
| Lektionstype | Praktisk |
| Fokus | Praktisk — modellering af kunstig intelligens |
| Emne | Analyse af data |
Nøgleord
Datasæt generering, tilpasning, model kompleksitet,
Læringsmål
- lær grundlæggende om beslutningstræer
Forventet forberedelse
Læringsbegivenheder, der skal fuldføres før
Obligatorisk for studerende
- Forelæsning: Forberedelse og undersøgelse af data
- Laboratoriemøde: Forberedelse og undersøgelse af data
Valgfrit for studerende
Ingen.
Referencer og baggrund for studerende
- Scikit-Learn
- Keras
- Beslutningstræ på wikipedia
- Ron Kohavi, "Scaling up the Accuracy of Naive-Bayes Classifiers: 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
Anbefalet til lærerne
Ingen.
Undervisningsmaterialer
Instruktioner til lærerne
Denne læringsbegivenhed består af laboratorieopgaver, der skal løses af de studerende med hjælp fra den ledende instruktør.
Du kan basere denne klasse omkring notesbøgerne.
Disposition/tidsplan[redigér | redigér wikikode]
| Varighed (min) | Beskrivelse | Koncepter | Aktivitet | Materiale |
|---|---|---|---|---|
| 5 | Kort over de opgaver, der skal udføres | Introduktion | Forelæsning | |
| 5 | Generering af et todimensionelt datasæt | Gaussian støj, np.random.randn | Kodning | Jupyter notesbog |
| 10 | Montering og evaluering af et beslutningstræ | scikit-lærred | Kodning | |
| 15 | Undersøgelse af effekten af modellens kompleksitetsparameter | model kompleksitet, støtte vektorer, margin, plotning | Dokumentation | |
| 5 | Montering af modellen | Montering af model | Kodning | |
| 15 | Evaluere og undersøge effekten af parameteren | Evaluering af parametre | Dokumentation | |
| 20 | Implementering af en brugerdefineret precomputed Model | matrixoperationer i numpy | Kodning | |
| 45 | Tilpasning og evaluering af modellen på reelle data | databehandling (skalering), Nøjagtighed, Forblandingsmatrix, Krydsvalidering | Dokumentation |
Anerkendelser
Programmet Human-Centered AI Masters blev samfinansieret af Connecting Europe-faciliteten i Den Europæiske Union under tilskud CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.