Upravne informacije
| Naslov | Odločitvena drevesa |
| Trajanje | 2 x 45 minut |
| Modul | A |
| Vrsta lekcije | Praktična |
| Osredotočenost | Praktično – modeliranje umetne inteligence |
| Tema | Analiza podatkov |
Ključne besede
Ustvarjanje nabora podatkov, opremljanje, kompleksnost modela,
Učni cilji
- naučite se osnov dreves odločanja
Pričakovana priprava
Učenje Dogodki, ki jih je treba dokončati pred
Obvezno za študente
- Predavanje: Priprava in raziskovanje podatkov
- Laboratorijska seja: Priprava in raziskovanje podatkov
Neobvezno za študente
Nobenega.
Reference in ozadje za študente
- Scikit-Learn
- Keras
- Drevo odločanja o Wikipediji
- Ron Kohavi: „Povečanje natančnosti klasifikatorjev naive-Bayes: a decision-Tree Hybrid", Postopki druge mednarodne konference o odkrivanju znanja in podatkovnem rudarstvu, 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
Priporočeno za učitelje
Nobenega.
Gradivo za učne ure
Navodila za učitelje
Ta učni dogodek je sestavljen iz laboratorijskih nalog, ki jih študentje rešujejo s pomočjo vodilnega inštruktorja.
Ta razred lahko temeljite na zvezkih.
Oris/časovni razpored[uredi | uredi kodo]
| Trajanje (min) | Opis | Koncepti | Aktivnost | Material |
|---|---|---|---|---|
| 5 | Povzetek nalog, ki jih je treba opraviti | Uvod | Predavanje | |
| 5 | Ustvarjanje dvodimenzionalnega nabora podatkov | Gaussov hrup, np.random.randn | Kodiranje | Zvezek Jupyter |
| 10 | Opremljanje in ocenjevanje drevesa odločanja | Scikit-učenje | Kodiranje | |
| 15 | Raziskovanje učinka parametra kompleksnosti modela | kompleksnost modela, podporni vektorji, rob, izrisovanje | Dokumentacija | |
| 5 | Prileganje modelu | Opremljanje modela | Kodiranje | |
| 15 | Ocenite in raziščete učinek parametra | Vrednotenje parametrov | Dokumentacija | |
| 20 | Izvajanje predračunanega modela po meri | matrične operacije v numpy | Kodiranje | |
| 45 | Opremljanje in vrednotenje modela na realnih podatkih | predobdelava podatkov (skaliranje), natančnost, matrika zmede, navzkrižna validacija | Dokumentacija |
Priznanja
Program Masters umetne inteligence, ki je bil vključen v človeka, je bil sofinanciran z instrumentom za povezovanje Evrope Evropske unije v okviru nepovratnih sredstev (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).