Administrativne informacije
| Naslov | Stabla odlučivanja |
| Trajanje | 2 x 45 minuta |
| Modul | A |
| Vrsta lekcija | Praktičan |
| Fokus | Praktično – modeliranje umjetne inteligencije |
| Tema | Analiza podataka |
Ključne riječi
Generiranje skupova podataka, opremanje, složenost modela,
Ciljevi učenja
- naučite osnove stabla odlučivanja
Očekivana priprema
Edukativni događaji koji će biti završeni prije
Obvezno za studente
- Predavanje: Priprema i istraživanje podataka
- Sjednica laboratorija: Priprema i istraživanje podataka
Neobvezno za studente
Nijedan.
Preporuke i pozadina za studente
- Scikit-Learn
- Keras
- Stablo odluke na wikipediji
- RON Kohavi, "Skaliranje točnosti naive-Bayes klasifikatora: a Decision-Tree Hybrid”, Zbornik Druge međunarodne konferencije o otkrivanju znanja i rudarenju podataka, 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
Preporučeno nastavnicima
Nijedan.
Nastavni materijali
Upute za učitelje
Ovaj obrazovni događaj sastoji se od laboratorijskih zadataka koje će učenici riješiti uz pomoć vodećeg instruktora.
Možete temeljiti ovaj razred oko bilježnica.
Pregled/vrijeme raspored[uredi | uređivanje izvora]
| Trajanje (min) | Opis | Koncepti | Aktivnost | Materijal |
|---|---|---|---|---|
| 5 | Ukratko o zadaćama koje treba obaviti | Uvod | Predavanje | |
| 5 | Generiranje dvodimenzionalnog skupa podataka | Gaussian buka, np.random.randn | Kodiranje | Jupyter bilježnica |
| 10 | Ugradnja i ocjenjivanje stabla odluke | scikit-učiti | Kodiranje | |
| 15 | Istraživanje učinka parametra složenosti modela | složenost modela, prijenosnici potpore, margina, crtanje | Dokumentacija | |
| 5 | Ugradnja modela | Ugradnja modela | Kodiranje | |
| 15 | Procijeniti i ispitati učinak parametra | Parametri Evaluacija | Dokumentacija | |
| 20 | Primjena prilagođenog predračunatog modela | matrične operacije u numpy | Kodiranje | |
| 45 | Ugradnja i ocjenjivanje modela na stvarnim podacima | predobrada podataka (skaliranje), točnost, matrica konfuzije, unakrsna validacija | Dokumentacija |
Priznanja
Diplomski studij umjetne inteligencije usmjeren na čovjeka sufinanciran je Instrumentom za povezivanje Europe Europske unije u okviru bespovratnih sredstava CEF-TC-2020 – 1 Digital Skills 2020-EU-IA-0068.