Informacje administracyjne
| Tytuł | Drzewa decyzyjne |
| Czas trwania | 2 x 45 minut |
| Moduł | A |
| Rodzaj lekcji | Praktyczne |
| Skupienie | Praktyczne – modelowanie AI |
| Temat | Analiza danych |
Słowa kluczowe
Generowanie zbiorów danych, mocowanie, złożoność modelu,
Cele w zakresie uczenia się
- poznaj podstawy drzew decyzyjnych
Oczekiwane przygotowanie
Wydarzenia edukacyjne, które należy ukończyć przed
Obowiązkowe dla studentów
- Wykład: Przygotowanie i eksploracja danych
- Sesja laboratoryjna: Przygotowanie i eksploracja danych
Opcjonalne dla studentów
Brak.
Referencje i tło dla studentów
- Scikit-Learn
- Keras
- Drzewo decyzyjne na Wikipedii
- 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
Zalecane dla nauczycieli
Brak.
Materiały do lekcji
Instrukcje dla nauczycieli
To wydarzenie edukacyjne składa się z zadań laboratoryjnych, które zostaną rozwiązane przez uczniów z pomocą wiodącego instruktora.
Możesz oprzeć tę klasę na notatnikach.
Zarys/plan czasu[edytuj | źródło edycji]
| Czas trwania (min) | Opis | Koncepcje | Działalność | Materiał |
|---|---|---|---|---|
| 5 | Zwięzłe zadania, które należy wykonać | Wprowadzenie | Wykład | |
| 5 | Generowanie dwuwymiarowego zbioru danych | Hałas Gaussa, np.random.randn | Kodowanie | Notatnik Jupyter |
| 10 | Dopasowanie i ocena drzewa decyzyjnego | scikit-learn | Kodowanie | |
| 15 | Badanie wpływu parametru złożoności modelu | złożoność modelu, wektory wsparcia, margines, wykresowanie | Dokumentacja | |
| 5 | Dopasowanie modelu | Okucia modelu | Kodowanie | |
| 15 | Ocena i inwestycja efektu parametru | Ocena parametrów | Dokumentacja | |
| 20 | Wdrożenie niestandardowego modelu precomputed | operacje matrycowe w numpy | Kodowanie | |
| 45 | Dopasowanie i ocena modelu na rzeczywistych danych | wstępne przetwarzanie danych (skalowanie), dokładność, matryca konfuzji, walidacja krzyżowa | Dokumentacja |
Potwierdzenia
Program Masters zorientowany na człowieka został współfinansowany przez instrument „Łącząc Europę” Unii Europejskiej w ramach grantu CEF-TC-2020-1 Umiejętności cyfrowe 2020-EU-IA-0068.