Información administrativa
| Título | Regresión lineal |
| Duración | 60 |
| Módulo | A |
| Tipo de lección | Practico |
| Enfoque | Práctico — Modelado de IA |
| Tema | Modelado de IA |
Keywords
regresión lineal, máxima probabilidad, máximo a posteriori, funciones básicas,
Objetivos de aprendizaje
- Ser capaz de ajustar un modelo de regresión lineal utilizando diversos enfoques de estimación y métodos de ajuste con el uso de Python y paquetes adecuados
- Para poder utilizar operaciones matriciales eficientes en regresión lineal
Preparación prevista
Eventos de aprendizaje que se completarán antes
Obligatorio para los estudiantes
- Una revisión del álgebra lineal básica y la resolución numérica de sistemas lineales.
Opcional para estudiantes
Ninguno.
Referencias y antecedentes para estudiantes
- Documentación y ejemplos de scikit-aprender: https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html
Recomendado para profesores
- Una revisión de cómo las funciones numpy utilizadas en el cuaderno están parametrizadas.
Material didáctico
Instrucciones para profesores
Este evento de aprendizaje consiste en tareas de laboratorio que serán resueltas por los estudiantes con la ayuda del instructor principal.
Prepare un entorno portátil con numpy, matplotlib y scikit-learn instalados.
Esquema/horario de tiempo
| Duración (min) | Descripción | Conceptos |
|---|---|---|
| 5 | Resumen de las tareas que deben llevarse a cabo | |
| 5 | Generación de conjuntos de datos lineales con ruido gaussiano | ruido aditivo, np.random.randn |
| 15 | Montaje y evaluación de modelos de regresión lineal a través de solucionadores lineales | operaciones matriciales en numpy, np.linalg.solve, RMSE, trazado |
| 10 | Transformación de muestras y regresión polinómica | Vandermonde-matriz, np.power.outer |
| 10 | Montaje y evaluación de modelos lineales con regularización | Estabilidad numérica, número de condición, trazado |
| 15 | Montaje de un modelo lineal en conjuntos de datos reales | scikit-aprendizaje: StandardScaler, Regresión Lineal |
Reconocimientos
El programa de maestría en IA centrada en el ser humano fue cofinanciado por el Mecanismo «Conectar Europa» de la Unión Europea en virtud de la subvención «CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068».