Διοικητικές πληροφορίες
| Τίτλος | Δένδρα αποφάσεων |
| Διάρκεια | 2 x 45 λεπτά |
| Ενότητα | Α |
| Είδος μαθήματος | Πρακτική |
| Εστίαση | Πρακτική — Μοντελοποίηση τεχνητής νοημοσύνης |
| Θέμα | Ανάλυση δεδομένων |
Λέξεις-κλειδιά
Παραγωγή συνόλων δεδομένων, συναρμολόγηση, πρότυπο πολυπλοκότητας,
Μαθησιακοί στόχοι
- μάθετε τα βασικά των δέντρων αποφάσεων
Αναμενόμενη προετοιμασία
Μαθησιακές εκδηλώσεις που πρέπει να ολοκληρωθούν πριν
Υποχρεωτικό για τους φοιτητές
- Διάλεξη: Προετοιμασία και Εξερεύνηση Δεδομένων
- Συνεδρίαση εργαστηρίου: Προετοιμασία και Εξερεύνηση Δεδομένων
Προαιρετικό για Φοιτητές
Καμία.
Αναφορές και υπόβαθρο για τους μαθητές
- Scikit-Μάθετε
- Κεράς
- Δεντρο ΑΠΟΦΑΣΕΩΝ στη wikipedia
- Ron Kohavi, "Scaling Up the Accuracy of Naive-Bayes Classifiers: A Decision-Tree Hybrid», Πρακτικά της Δεύτερης Διεθνούς Διάσκεψης για την Ανακάλυψη Γνώσης και την Εξόρυξη Δεδομένων, 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
Συνιστάται για εκπαιδευτικούς
Καμία.
Υλικό μαθήματος
Οδηγίες για τους εκπαιδευτικούς
Αυτή η μαθησιακή εκδήλωση αποτελείται από εργαστηριακές εργασίες που θα επιλυθούν από τους μαθητές με τη βοήθεια του κορυφαίου εκπαιδευτή.
Μπορείτε να βασίσετε αυτό το μάθημα γύρω από τα σημειωματάρια.
Περίγραμμα/χρονοδιάγραμμα[επεξεργασία | πηγή επεξεργασίας]
| Διάρκεια (ελάχ.) | Περιγραφή | Έννοιες | Δραστηριότητα | Υλικό |
|---|---|---|---|---|
| 5 | Συνοπτική παρουσίαση των καθηκόντων που πρέπει να εκτελεστούν | Εισαγωγή | Διάλεξη | |
| 5 | Δημιουργία ενός δισδιάστατου συνόλου δεδομένων | Θόρυβος Gaussian, np.random.randn | Κωδικοποίηση | Σημειωματάριο Jupyter |
| 10 | Τοποθέτηση και αξιολόγηση ενός δέντρου απόφασης | scikit-μάθημα | Κωδικοποίηση | |
| 15 | Διερεύνηση της επίδρασης της παραμέτρου πολυπλοκότητας του μοντέλου | πολυπλοκότητα μοντέλου, διανύσματα υποστήριξης, περιθώριο, σχεδίαση | Τεκμηρίωση | |
| 5 | Ταιριάζοντας το μοντέλο | Μοντελοποίηση | Κωδικοποίηση | |
| 15 | Αξιολόγηση και Investigatie της επίδρασης της παραμέτρου | Αξιολόγηση παραμέτρων | Τεκμηρίωση | |
| 20 | Εφαρμογή προσαρμοσμένου προυπολογισμένου μοντέλου | λειτουργίες μήτρας σε numpy | Κωδικοποίηση | |
| 45 | Τοποθέτηση και αξιολόγηση του μοντέλου σε πραγματικά δεδομένα | προεπεξεργασία δεδομένων (κλιμάκωση), ακρίβεια, μήτρα σύγχυσης, διαγώνια επικύρωση | Τεκμηρίωση |
Αναγνωρίσεις
Το πρόγραμμα Μάστερ τεχνητής νοημοσύνης με επίκεντρο τον άνθρωπο συγχρηματοδοτήθηκε από τον μηχανισμό «Συνδέοντας την Ευρώπη» της Ευρωπαϊκής Ένωσης στο πλαίσιο της επιχορήγησης CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.