Verwaltungsinformationen
| Titel | Lineare Regression |
| Dauer | 60 |
| Modulen | A |
| Unterrichtstyp | Praktisch |
| Fokussierung | Praktisch – KI-Modellierung |
| Themenbereich | KI-Modellierung |
Suchbegriffe
lineare Regression, maximale Wahrscheinlichkeit, maximale a posteriori, Basisfunktionen,
Lernziele
- Um ein lineares Regressionsmodell mit verschiedenen Schätzansätzen und Fitting-Methoden mit Python und geeigneten Paketen anpassen zu können
- Effiziente Matrixoperationen in linearer Regression nutzen zu können
Erwartete Vorbereitung
Lernveranstaltungen, die vorab abgeschlossen werden müssen
Obligatorisch für Studenten
- Eine Überprüfung der grundlegenden linearen Algebra und der numerischen Lösung linearer Systeme.
Optional für Studenten
Keine.
Referenzen und Hintergründe für Studierende
- Scikit-learn Dokumentation und Beispiele: https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html
Empfohlen für Lehrer
- Eine Übersicht darüber, wie die im Notebook verwendeten numpy-Funktionen parametrisiert werden.
Unterrichtsmaterialien
Anleitung für Lehrer
Diese Lernveranstaltung besteht aus Laboraufgaben, die von den Studierenden mit Hilfe des leitenden Ausbilders gelöst werden sollen.
Bereiten Sie eine Notebook-Umgebung mit numpy, matplotlib und scikit-learn installiert.
Gliederung/Zeitplan
| Dauer (min) | Beschreibung | Konzepte |
|---|---|---|
| 5 | Kurzbeschreibung der durchzuführenden Aufgaben | |
| 5 | Erzeugen von linearen Datensätzen mit Gaussian Rauschen | Zusatzgeräusche, np.random.randn |
| 15 | Anpassung und Auswertung von linearen Regressionsmodellen über lineare Solver | Matrixoperationen in numpy, np.linalg.solve, RMSE, Plotting |
| 10 | Transformierende Proben und polynomielle Regression | Vandermonde-matrix, np.power.outer |
| 10 | Anpassung und Auswertung von Linearmodellen mit Regularisierung | Numerische Stabilität, Zustandsnummer, Plotting |
| 15 | Anpassung eines linearen Modells an reale Datensätze | Scikit-Lernen: StandardScaler, LinearRegression |
Danksagung
Das Human-Centered AI Masters-Programm wurde von der Fazilität „Connecting Europe“ der Europäischen Union im Rahmen des Zuschusses „CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068“ kofinanziert.