Administrativní informace
| Název | Lineární regrese |
| Trvání | 60 |
| Modul | A |
| Typ lekce | Praktické |
| Soustředění | Praktické – modelování umělé inteligence |
| Téma | Modelování umělé inteligence |
Klíčová slova
lineární regrese, maximální pravděpodobnost, maximální a posteriori, základní funkce,
Vzdělávací cíle
- Aby bylo možné přizpůsobit lineární regresní model pomocí různých přístupů k odhadu a metodám montáže s využitím Pythonu a vhodných balíčků
- Aby bylo možné používat efektivní maticové operace v lineární regresi
Očekávaná příprava
Vzdělávací akce, které mají být dokončeny před
Povinné pro studenty
- Přehled základní lineární algebry a numericky řešení lineárních systémů.
Volitelné pro studenty
Žádné.
Reference a zázemí pro studenty
- Scikit-učení dokumentace a příklady: https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html
Doporučeno pro učitele
- Přehled toho, jak jsou parametrizovány numpy funkce používané v poznámkovém bloku.
Materiály pro výuku
Pokyny pro učitele
Tato vzdělávací akce se skládá z laboratorních úkolů, které budou řešeny studenty s pomocí vedoucího instruktora.
Připravte si prostředí notebooku s nainstalovanými numpy, matplotlib a scikit-learn.
Osnova/časový rozvrh
| Doba trvání (min) | Popis | Koncepty |
|---|---|---|
| 5 | Stručné informace o úkolech, které mají být provedeny | |
| 5 | Generování lineárních datových souborů s Gaussovým šumem | aditivní hluk, np.random.randn |
| 15 | Montáž a vyhodnocení lineárních regresních modelů pomocí lineárních řešičů | maticové operace v numpy, np.linalg.solve, RMSE, vykreslování |
| 10 | Transformační vzorky a polynomiální regrese | Vandermonde-matrix, np.power.vnější |
| 10 | Montáž a hodnocení lineárních modelů s regularizací | Numerická stabilita, číslo stavu, vykreslování |
| 15 | Montáž lineárního modelu na skutečné datové sady | scikit-učení: StandardScaler, LineárníRegrese |
Potvrzení
Program Human-Centered AI Masters byl spolufinancován Nástrojem Evropské unie pro propojení Evropy v rámci grantu CEF-TC-2020–1 Digitální dovednosti 2020-EU-IA-0068.