Административна информация
| Дял | Линейна регресия |
| Продължителност | 60 |
| Модул | А |
| Вид на урока | Практичен |
| Фокус | Практическо — моделиране на ИИ |
| Тема | Моделиране на ИИ |
Ключови думи
линейна регресия, максимална вероятност, максимална a posteriori, основни функции,
Учебни цели
- За да може да се побере модел на линейна регресия, като се използват различни подходи за оценка и методи за монтиране с помощта на Python и подходящи опаковки
- Да може да използва ефективни матрични операции при линейна регресия
Очаквана подготовка
Обучение на събития, които трябва да бъдат завършени преди
Задължително за студентите
- Преглед на основната линейна алгебра и решаване на линейни системи числено.
Незадължително за студенти
Няма.
Референции и фон за студенти
- Scikit-Learn документация и примери: https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html
Препоръчва се за учители
- Преглед на начина, по който нумичните функции, използвани в бележника, са параметризирани.
Материали за уроци
Инструкции за учители
Това учебно събитие се състои от лабораторни задачи, които ще бъдат решени от студентите с помощта на водещия инструктор.
Подгответе среда за преносими компютри с инсталиран нумичен, матплолиб и scikit-learn.
Описание/времеви график
| Продължителност (мин) | Описание | Концепции |
|---|---|---|
| 5 | Кратко описание на задачите, които трябва да бъдат изпълнени | |
| 5 | Генериране на линейни набори от данни с Гаусов шум | адитивен шум, np.random.randn |
| 15 | Монтаж и оценка на линейни регресионни модели чрез линейни решаващи устройства | матрични операции в numpy, np.linalg.solve, RMSE, нанасяне |
| 10 | Трансформиране на проби и полиномна регресия | Vandermonde-matrix, np.power.outer |
| 10 | Монтаж и оценка на линейни модели с узаконяване | Цифрова стабилност, номер на състоянието, начертаване |
| 15 | Монтиране на линеен модел върху реални набори от данни | Scikit-Learn: StandardScaler, линейнарегресия |
Потвърждения
Магистърската програма по ИИ, насочена към човека, беше съфинансирана от Механизма за свързване на Европа на Европейския съюз под формата на безвъзмездни средства № CEF-TC-2020—1 Digital Skills 2020-EU-IA-0068.