Administratívne informácie
| Názov | Rozhodovacie stromy |
| Trvanie | 2 x 45 minút |
| Modul | A |
| Druh lekcie | Praktické |
| Zameranie | Praktické – modelovanie umelej inteligencie |
| Téma | Analýza údajov |
Kľúčové slová
Generovanie dátových súborov, montáž, zložitosť modelu,
Vzdelávacie ciele
- naučte sa základy rozhodovacích stromov
Očakávaná príprava
Naučte sa udalosti, ktoré treba dokončiť predtým
Povinné pre študentov
- Prednáška: Príprava a prieskum údajov
- Laboratórne zasadnutie: Príprava a prieskum údajov
Voliteľné pre študentov
Žiadne.
Referencie a zázemie pre študentov
- Scikit-Learn
- Keras
- Strom rozhodnutia o Wikipédii
- RON Kohavi: "Scaling the Accuracy of Naive-Bayes Classifiers (Zvyšovanie presnosti klasifikácie Naive-Bayes: a Decision-Tree Hybrid", Proceedings of 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
Odporúčané pre učiteľov
Žiadne.
Učebné materiály
Pokyny pre učiteľov
Táto vzdelávacia udalosť pozostáva z laboratórnych úloh, ktoré riešia študenti s pomocou vedúceho inštruktora.
Túto triedu môžete založiť na notebookoch.
Prehľad/časový rozvrh[upraviť | upraviť zdroj]
| Trvanie (min) | Popis | Koncepty | Činnosť | Materiál |
|---|---|---|---|---|
| 5 | Stručné informácie o úlohách, ktoré sa majú vykonať | Úvod | Prednáška | |
| 5 | Vytvorenie dvojrozmerného súboru údajov | Gaussian noise, np.random.randn | Kódovanie | Notebook Jupyter |
| 10 | Prispôsobenie a vyhodnotenie rozhodovacieho stromu | scikit-učiť sa | Kódovanie | |
| 15 | Preskúmanie vplyvu parametra zložitosti modelu | zložitosť modelu, podpora vektorov, marža, zakreslenie | Dokumentácia | |
| 5 | Montáž modelu | Montáž modelu | Kódovanie | |
| 15 | Vyhodnocovať a investovať vplyv parametra | Hodnotenie parametrov | Dokumentácia | |
| 20 | Implementácia vlastného predpočítaného modelu | Matrix operácie v numpy | Kódovanie | |
| 45 | Prispôsobenie a vyhodnotenie modelu na reálnych údajoch | predspracovanie údajov (škálovanie), presnosť, matica zmätok, krížová validácia | Dokumentácia |
Uznania
Program Masters umelej inteligencie zameraný na človeka bol spolufinancovaný z Nástroja Európskej únie na prepájanie Európy v rámci grantu CEF-TC-2020 – 1 Digitálne zručnosti 2020-EU-IA-0068.