Διοικητικές πληροφορίες
| Τίτλος | Γραμμική παλινδρόμηση |
| Διάρκεια | 60 |
| Ενότητα | Α |
| Είδος μαθήματος | Πρακτική |
| Εστίαση | Πρακτική — Μοντελοποίηση τεχνητής νοημοσύνης |
| Θέμα | Μοντελοποίηση τεχνητής νοημοσύνης |
Λέξεις-κλειδιά
γραμμική παλινδρόμηση, μέγιστη πιθανότητα, μέγιστη εκ των υστέρων, συναρτήσεις βάσης,
Μαθησιακοί στόχοι
- Για να είναι σε θέση να εγκαταστήσει ένα μοντέλο γραμμικής παλινδρόμησης χρησιμοποιώντας διάφορες προσεγγίσεις εκτίμησης και μεθόδους τοποθέτησης με τη χρήση της Python και κατάλληλες συσκευασίες
- Για να είναι σε θέση να χρησιμοποιήσει αποτελεσματικές λειτουργίες μήτρας στη γραμμική παλινδρόμηση
Αναμενόμενη προετοιμασία
Μαθησιακές εκδηλώσεις που πρέπει να ολοκληρωθούν πριν
Υποχρεωτικό για τους φοιτητές
- Μια ανασκόπηση της βασικής γραμμικής άλγεβρας και την επίλυση γραμμικών συστημάτων αριθμητικά.
Προαιρετικό για Φοιτητές
Καμία.
Αναφορές και υπόβαθρο για τους μαθητές
- Scikit-μάθε τεκμηρίωση και παραδείγματα: https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html
Συνιστάται για εκπαιδευτικούς
- Μια ανασκόπηση του τρόπου με τον οποίο παραμετροποιούνται οι συναρτήσεις numpy που χρησιμοποιούνται στο σημειωματάριο.
Υλικό μαθήματος
Οδηγίες για τους εκπαιδευτικούς
Αυτή η μαθησιακή εκδήλωση αποτελείται από εργαστηριακές εργασίες που θα επιλυθούν από τους μαθητές με τη βοήθεια του κορυφαίου εκπαιδευτή.
Προετοιμάστε ένα περιβάλλον σημειωματαρίου με εγκατεστημένο numpy, matplotlib και scikit-μάθημα.
Σχεδιάγραμμα/χρονοδιάγραμμα
| Διάρκεια (ελάχ.) | Περιγραφή | Έννοιες |
|---|---|---|
| 5 | Συνοπτική παρουσίαση των καθηκόντων που πρέπει να εκτελεστούν | |
| 5 | Δημιουργία γραμμικών συνόλων δεδομένων με θόρυβο Gaussian | πρόσθετος θόρυβος, np.random.randn |
| 15 | Τοποθέτηση και αξιολόγηση μοντέλων γραμμικής παλινδρόμησης μέσω γραμμικών διαλυτών | λειτουργίες μήτρας σε numpy, np.linalg.solve, RMSE, σχεδίαση |
| 10 | Μετατροπή δειγμάτων και πολυωνυμική παλινδρόμηση | Vandermonde-matrix, np.power.outer |
| 10 | Τοποθέτηση και αξιολόγηση γραμμικών μοντέλων με τακτοποίηση | Αριθμητική σταθερότητα, αριθμός κατάστασης, απεικόνιση |
| 15 | Τοποθέτηση γραμμικού μοντέλου σε πραγματικά σύνολα δεδομένων | scikit-μάθε: StandardScaler, γραμμική παλινδρόμηση |
Αναγνωρίσεις
Το πρόγραμμα Μάστερ τεχνητής νοημοσύνης με επίκεντρο τον άνθρωπο συγχρηματοδοτήθηκε από τον μηχανισμό «Συνδέοντας την Ευρώπη» της Ευρωπαϊκής Ένωσης στο πλαίσιο της επιχορήγησης CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.