Verwaltungsinformationen
| Titel | Entscheidungsbäume |
| Dauer | 2 x 45 Minuten |
| Modulen | A |
| Unterrichtstyp | Praktisch |
| Fokussierung | Praktisch – KI-Modellierung |
| Themenbereich | Datenanalyse |
Suchbegriffe
Datensatzgenerierung, Fitting, Modellkomplexität,
Lernziele
- lernen Sie Grundlagen von Entscheidungsbäumen
Erwartete Vorbereitung
Lernveranstaltungen, die vorab abgeschlossen werden müssen
Obligatorisch für Studenten
- Vortrag: Datenaufbereitung und -exploration
- Laborsitzung: Datenaufbereitung und -exploration
Optional für Studenten
Keine.
Referenzen und Hintergründe für Studierende
- Scikit-Lernen
- Keras
- Entscheidungsbaum auf Wikipedia
- Ron Kohavi: "Scaling 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
Empfohlen für Lehrer
Keine.
Unterrichtsmaterialien
Anleitung für Lehrer
Diese Lernveranstaltung besteht aus Laboraufgaben, die von den Studierenden mit Hilfe des leitenden Ausbilders gelöst werden sollen.
Sie können diese Klasse auf den Notizbüchern basieren.
Gliederung/Zeitplan[Bearbeiten | Quelltext bearbeiten]
| Dauer (min) | Beschreibung | Konzepte | Aktivität | Werkstoffe |
|---|---|---|---|---|
| 5 | Kurzbeschreibung der durchzuführenden Aufgaben | Einführung | Vortrag | |
| 5 | Generieren eines zweidimensionalen Datensatzes | Gaussischer Lärm, np.random.randn | Codierung | Jupyter Notizbuch |
| 10 | Anpassung und Bewertung eines Entscheidungsbaums | Scikit-lernen | Codierung | |
| 15 | Untersuchung der Wirkung des Modellkomplexitätsparameters | Modellkomplexität, Unterstützungsvektoren, Rand, Plotten | Dokumentationen | |
| 5 | Passend zum Modell | Modellbeschläge | Codierung | |
| 15 | Bewerten und Investigatie den Effekt des Parameters | Bewertung der Parameter | Dokumentationen | |
| 20 | Implementierung eines benutzerdefinierten vorberechneten Modells | Matrixoperationen in numpy | Codierung | |
| 45 | Anpassung und Auswertung des Modells auf realen Daten | Datenvorverarbeitung (Skalierung), Genauigkeit, Verwechslungsmatrix, Kreuzvalidierung | Dokumentationen |
Danksagung
Das Human-Centered AI Masters-Programm wurde von der Fazilität „Connecting Europe“ der Europäischen Union im Rahmen des Zuschusses „CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068“ kofinanziert.