Hallinnolliset tiedot
| Otsikko | Päätöspuut |
| Kesto | 2 x 45 min |
| Moduuli | A |
| Oppitunnin tyyppi | Käytännöllinen |
| Keskittyminen | Käytännöllinen – AI Modelling |
| Aihe | Tietojen analysointi |
Avainsanoja
Data-aineiston tuottaminen, asennus, mallin monimutkaisuus,
Oppimistavoitteet
- opi päätöksentekopuiden perusteet
Odotettu valmistelu
Oppimistapahtumat valmistuvat ennen
Pakollinen opiskelijoille
- Luento: Tietojen valmistelu ja tutkiminen
- Laboratorio-istunto: Tietojen valmistelu ja tutkiminen
Valinnainen opiskelijoille
Ei mitään.
Referenssejä ja taustaa opiskelijoille
- Scikit-Opi
- Keras
- Päätöspuu wikipediassa
- Ron Kohavi: ”Scaling Up the Accuracy of Naive-Bayes Classifiers Näytä tarkat tiedot a Decision-Tree Hybrid”, Menceedings 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
Suositellaan opettajille
Ei mitään.
Oppituntimateriaalit
Ohjeita opettajille
Tämä oppimistapahtuma koostuu laboratoriotehtävistä, jotka opiskelijoiden on ratkaistava johtavan ohjaajan avulla.
Voit perustaa tämän luokan muistikirjojen ympärille.
Ääriviiva/aika-aikataulu[muokkaa | muokkaa lähdettä]
| Kesto (min) | Kuvaus | Käsitteet | Aktiivisuus | Materiaali |
|---|---|---|---|---|
| 5 | Selvitys suoritettavista tehtävistä | Johdanto | Luento | |
| 5 | Kaksiulotteisen data-aineiston luominen | Gaussin melu, np.random.randn | Koodaus | Jupyter-muistikirja |
| 10 | Päätöspuun sovittaminen ja arviointi | scikit-oppia | Koodaus | |
| 15 | Mallin monimutkaisuusparametrin vaikutuksen tutkiminen | mallin monimutkaisuus, tukivektorit, marginaali, piirustus | Dokumentaatio | |
| 5 | Mallin sovittaminen | Mallisovitus | Koodaus | |
| 15 | Arvioida ja investoida parametrin vaikutusta | Parametrien arviointi | Dokumentaatio | |
| 20 | Mukautetun precomputed-mallin käyttöönotto | Matriisioperaatiot numpyssa | Koodaus | |
| 45 | Mallin sovittaminen ja arviointi todellisten tietojen perusteella | tietojen esikäsittely (skaalaus), tarkkuus, sekavuusmatriisi, ristivahvistus | Dokumentaatio |
Tunnustukset
Human-Centered AI Masters -ohjelmaa rahoitettiin Euroopan unionin Verkkojen Eurooppa -välineestä (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).