Adminisztratív információk
| Cím | Döntési fák |
| Időtartam | 2 x 45 perc |
| Modul | A |
| Lecke típusa | Praktikus |
| Fókusz | Praktikus – AI modellezés |
| Téma | Adatelemzés |
Kulcsszó
Adatkészlet generálása,Fitting,Modell komplexitás,
Tanulási célok
- ismerje meg a döntési fák alapjait
Várható előkészítés
Az előtt befejezendő tanulási események
Kötelező a diákok számára
- Előadás: Adatelőkészítés és -feltárás
- Laboratóriumi ülés: Adatelőkészítés és -feltárás
Választható diákok számára
Egy sem.
Referenciák és háttér a diákok számára
- Scikit-tanulás
- Keras
- Döntésfa a wikipedián
- Ron Kohavi: A Naive-Bayes osztályozók pontosságának növelése: The Second International Conference on Knowledge Discovery and Data Mining (A Decision-Tree Hybrid, 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
Ajánlott tanároknak
Egy sem.
Leckeanyagok
Utasítások tanároknak
Ez a tanulási esemény laboratóriumi feladatokból áll, amelyeket a hallgatók a vezető oktató segítségével oldanak meg.
Ezt az osztályt a jegyzetfüzetek köré alapozhatja.
Vázlat/időterv[szerkesztés | forrás szerkesztése]
| Időtartam (perc) | Leírás | Fogalmak | Tevékenység | Anyag |
|---|---|---|---|---|
| 5 | Az elvégzendő feladatok rövid ismertetése | Bevezetés | Előadás | |
| 5 | Kétdimenziós adatkészlet létrehozása | Gaussian zaj, np.random.randn | Kódolás | Jupyter notebook |
| 10 | Döntési fa beillesztése és értékelése | scikit-tanulás | Kódolás | |
| 15 | A modell összetettségi paraméter hatásának vizsgálata | modell összetettsége, támogató vektorok, margó, rajz | Dokumentáció | |
| 5 | A modell beillesztése | Modellszerelvény | Kódolás | |
| 15 | A paraméter hatásának értékelése és vizsgálata | Paraméterek értékelése | Dokumentáció | |
| 20 | Egyéni előreszámított modell megvalósítása | mátrixműveletek numpyban | Kódolás | |
| 45 | A modell beillesztése és értékelése valós adatok alapján | adatok előfeldolgozása (méretezés), Pontosság, zavaró mátrix, keresztérvényesítés | Dokumentáció |
Visszaigazolások
A Human-Centered AI Masters programot az Európai Unió Európai Hálózatfinanszírozási Eszköze (CEF-TC-2020–1 Digitális készségek 2020 EU-IA-0068) társfinanszírozta.