Administrativ information
| Titel | Beslutsträd |
| Varaktighet | 2 x 45 minuter |
| Modul | A |
| Typ av lektion | Praktiskt |
| Fokus | Praktiskt – AI-modellering |
| Ämne | Dataanalys |
Nyckelord
Dataset generation, montering, modell komplexitet,
Lärandemål
- lär dig grunderna i beslutsträd
Förväntad förberedelse
Lärande händelser som ska slutföras innan
Obligatoriskt för studenter
- Föreläsning: Dataförberedelse och undersökning
- Labbsession: Dataförberedelse och undersökning
Valfritt för studenter
Ingen.
Referenser och bakgrund för studenter
- Scikit-Learn
- Keras
- Beslutsträd på 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
Rekommenderas för lärare
Ingen.
Lektionsmaterial
Instruktioner för lärare
Denna inlärningshändelse består av laboratorieuppgifter som ska lösas av eleverna med hjälp av den ledande instruktören.
Du kan basera den här klassen runt anteckningsböckerna.
Skiss/tidsschema[redigera | redigera källa]
| Längd (min) | Beskrivning | Begrepp | Verksamhet | Material |
|---|---|---|---|---|
| 5 | Kort beskrivning av de uppgifter som ska utföras | Inledning | Föreläsning | |
| 5 | Skapa ett tvådimensionellt dataset | Gaussiskt buller, np.random.randn | Kodning | Jupyter anteckningsbok |
| 10 | Montering och utvärdering av ett beslutsträd | scikit-lärande | Kodning | |
| 15 | Undersöka effekten av modellens komplexitetsparameter | modellkomplexitet, stödvektorer, marginal, plottning | Dokumentation | |
| 5 | Passar modellen | Modellmontering | Kodning | |
| 15 | Utvärdera och undersöka effekten av parametern | Utvärdering av parametrar | Dokumentation | |
| 20 | Implementera en anpassad fördatormodell | matrisoperationer i numpy | Kodning | |
| 45 | Anpassning och utvärdering av modellen på verkliga data | dataförbehandling (skalning), noggrannhet, förvirringsmatris, korsverifiering | Dokumentation |
Erkännanden
Masterprogrammet Human-Centered AI har samfinansierats av Fonden för ett sammanlänkat Europa i Europeiska unionen inom ramen för Grant CEF-TC-2020–1 Digital Skills 2020 EU-IA-0068.