Administratieve informatie
| Titel | Beslisbomen |
| Looptijd | 2 x 45 minuten |
| Module | A |
| Type les | Praktisch |
| Focus | Praktisch — AI-modellering |
| Onderwerp | Gegevensanalyse |
Sleutelwoorden
Datasetgeneratie, Montage, Modelcomplexiteit,
Leerdoelen
- leer de basisprincipes van beslissingsbomen
Verwachte voorbereiding
Leren van gebeurtenissen die moeten worden voltooid voordat
Verplicht voor studenten
- Lezing: Gegevensvoorbereiding en -verkenning
- Lab sessie: Gegevensvoorbereiding en -verkenning
Optioneel voor studenten
Geen.
Referenties en achtergronden voor studenten
- Scikit-leren
- Keras
- Beslisboom op wikipedia
- Ron Kohavi, "Het opschalen van de nauwkeurigheid van Naive-Bayes Classifiers: A Decision-Tree Hybrid", Proceedings van de Tweede Internationale Conferentie over Kennisontdekking en 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
Aanbevolen voor docenten
Geen.
Lesmateriaal
Instructies voor docenten
Dit leerevenement bestaat uit laboratoriumtaken die door de studenten worden opgelost met de hulp van de leidende instructeur.
Je kunt deze klasse rond de notitieboeken baseren.
Overzicht/tijdschema[bewerken | brontekst bewerken]
| Duur (min) | Omschrijving | Concepten | Activiteit | Materiaal |
|---|---|---|---|---|
| 5 | Beschrijving van de uit te voeren taken | Introductie | Lezing | |
| 5 | Het genereren van een tweedimensionale dataset | Gaussisch geluid, np.random.randn | Codering | Jupyter notitieboek |
| 10 | Het monteren en evalueren van een beslisboom | scikit-leren | Codering | |
| 15 | Onderzoek naar het effect van de modelcomplexiteitsparameter | modelcomplexiteit, steunvectoren, marge, plotting | Documentatie | |
| 5 | Pas het model aan | Model Fitting | Codering | |
| 15 | Evalueer en onderzoek het effect van de parameter | Parameters Evaluatie | Documentatie | |
| 20 | Het implementeren van een custom precomputed Model | matrixbewerkingen in numpy | Codering | |
| 45 | Koppelen en evalueren van het model op echte data | gegevensverwerking (schaal), Nauwkeurigheid, Verwarringsmatrix, Kruisvalidatie | Documentatie |
Erkenningen
Het Human-Centered AI Masters-programma werd mede gefinancierd door de Connecting Europe Facility van de Europese Unie in het kader van de subsidie CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.