Informazioni amministrative
| Titolo | Alberi decisionali |
| Durata | 2 x 45 minuti |
| Modulo | A |
| Tipo di lezione | Pratico |
| Focus | Pratiche — AI Modelling |
| Argomento | Analisi dei dati |
Parole chiave
Generazione di set di dati, montaggio, complessità del modello,
Obiettivi di apprendimento
- imparare le basi degli alberi decisionali
Preparazione prevista
Eventi di apprendimento da completare prima
Obbligatorio per gli studenti
- Lezione: Preparazione ed esplorazione dei dati
- Sessione di laboratorio: Preparazione ed esplorazione dei dati
Facoltativo per gli studenti
Nessuno.
Referenze e background per gli studenti
- Scikit-Learn
- Keras
- Albero delle decisioni su wikipedia
- Ron Kohavi, "Scaling Up the Accuracy of Naive-Bayes Classifiers: a Decision-Tree Hybrid", Proceedings 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
Consigliato per gli insegnanti
Nessuno.
Materiale didattico
Istruzioni per gli insegnanti
Questo evento di apprendimento consiste in compiti di laboratorio che devono essere risolti dagli studenti con l'aiuto del principale istruttore.
Puoi basare questa classe intorno ai quaderni.
Schema/orario[modifica | modifica wikitesto]
| Durata (min) | Descrizione | Concetti | Attività | Materiale |
|---|---|---|---|---|
| 5 | Breve dei compiti da svolgere | Introduzione | Lezione | |
| 5 | Generare un dataset bidimensionale | Rumore gaussiano, np.random.randn | Codifica | Taccuino Jupyter |
| 10 | Montaggio e valutazione di un albero decisionale | scikit-learn | Codifica | |
| 15 | Studiare l'effetto del parametro di complessità del modello | complessità del modello, vettori di supporto, margine, plotting | Documentazione | |
| 5 | Montaggio del modello | Montaggio del modello | Codifica | |
| 15 | Valutare e investigare l'effetto del parametro | Valutazione dei parametri | Documentazione | |
| 20 | Implementazione di un modello precomputed personalizzato | operazioni a matrice in numpy | Codifica | |
| 45 | Montaggio e valutazione del modello su dati reali | preelaborazione dei dati (scala), precisione, matrice di confusione, convalida incrociata | Documentazione |
Riconoscimenti
Il programma Human-Centered AI Masters è stato co-finanziato dal meccanismo per collegare l'Europa dell'Unione europea nell'ambito della sovvenzione CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.