Haldusteave
| Ametinimetus | Otsustamispuud |
| Kestus | 2 x 45 minutit |
| Moodul | A |
| Õppetunni liik | Praktiline |
| Keskendumine | Praktiline – tehisintellekti modelleerimine |
| Teema | Andmete analüüs |
Võtmesõnad
Andmekogumite loomine, sisustamine, mudeli keerukus,
Õpieesmärgid
- õppige otsustuspuude põhitõdesid
Eeldatav ettevalmistamine
Õppeüritused, mis tuleb lõpetada enne
Kohustuslik õpilastele
- Loeng: Andmete ettevalmistamine ja uurimine
- Laboratooriumi töösessioon: Andmete ettevalmistamine ja uurimine
Valikuline õpilastele
Puudub.
Viited ja taust õpilastele
- Scikit-Learn
- Keras
- Otsus puu kohta wikipedia
- Ron Kohavi, "Naive-Bayes’i klassifitseerijate täpsuse suurendamine: a Decision-Tree Hybrid„, „Teadmiste avastamise ja andmekaevandamise teise rahvusvahelise konverentsi menetlus“, 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
Soovitatav õpetajatele
Puudub.
Õppematerjalid
Juhised õpetajatele
See õppeüritus koosneb laboratoorsetest ülesannetest, mille õpilased lahendavad juhtiva instruktori abiga.
Selle klassi saate põhistada märkmike ümber.
Ülevaade/ajakava[muuda | muuda lähteteksti]
| Kestus (min) | Kirjeldus | Mõisted | Tegevus | Materjal |
|---|---|---|---|---|
| 5 | Ülevaade täidetavatest ülesannetest | Sissejuhatus | Loeng | |
| 5 | Kahemõõtmelise andmekogumi genereerimine | Gaussian müra, np.random.randn | Kodeerimise | Jupyter märkmik |
| 10 | Otsusepuu paigaldamine ja hindamine | Scikit-Learn | Kodeerimise | |
| 15 | Mudeli keerukuse parameetri mõju uurimine | mudeli keerukus, tugivektorid, marginaal, joonistamine | Dokumentatsioon | |
| 5 | Mudeli paigaldamine | Mudeli sisustus | Kodeerimise | |
| 15 | Hinnake ja uurige parameetri mõju | Parameetrite hindamine | Dokumentatsioon | |
| 20 | Kohandatud eelarvutatud mudeli rakendamine | maatriksi operatsioonid numpias | Kodeerimise | |
| 45 | Mudeli paigaldamine ja hindamine tegelike andmete põhjal | andmete eeltöötlemine (skaleerimine), täpsus, segamismaatriks, ristvalideerimine | Dokumentatsioon |
Tunnustused
Inimkeskse tehisintellekti magistriprogrammi kaasfinantseeris Euroopa Liidu Ühendamise Rahastu toetusega CEF-TC-2020–1 „Digioskused 2020“-EU-IA-0068.