Haldusteave
| Ametinimetus | Lineaarne regressioon |
| Kestus | 60 |
| Moodul | A |
| Õppetunni liik | Praktiline |
| Keskendumine | Praktiline – tehisintellekti modelleerimine |
| Teema | Tehisintellekti modelleerimine |
Võtmesõnad
lineaarne regressioon, maksimaalne tõenäosus, maksimaalne a posteriori, baasfunktsioonid,
Õpieesmärgid
- Sobitada lineaarse regressiooni mudelit, kasutades erinevaid hindamismeetodeid ja sobitusmeetodeid, kasutades Pythoni ja sobivaid pakendeid.
- Et oleks võimalik kasutada tõhusaid maatrikstoiminguid lineaarses regressioonis
Eeldatav ettevalmistamine
Õppeüritused, mis tuleb lõpetada enne
Kohustuslik õpilastele
- Põhiliste lineaarsete algebrade ülevaade ja lineaarsete süsteemide lahendamine numbriliselt.
Valikuline õpilastele
Puudub.
Viited ja taust õpilastele
- Scikit-Learn dokumentatsioon ja näited: https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html
Soovitatav õpetajatele
- Ülevaade sellest, kuidas sülearvutis kasutatavad numpy funktsioonid parameetritakse.
Õppematerjalid
Juhised õpetajatele
See õppeüritus koosneb laboratoorsetest ülesannetest, mille õpilased lahendavad juhtiva instruktori abiga.
Valmistage sülearvuti keskkond numpy, matplotlib ja scikit-learn paigaldatud.
Ülevaade/ajakava
| Kestus (min) | Kirjeldus | Mõisted |
|---|---|---|
| 5 | Ülevaade täidetavatest ülesannetest | |
| 5 | Lineaarsete andmekogumite genereerimine Gaussi müraga | lisamüra, np.random.randn |
| 15 | Lineaarsete regressioonimudelite paigaldamine ja hindamine lineaarsete lahendajate kaudu | maatriksi operatsioonid numpys, np.linalg.solve, RMSE, joonistamine |
| 10 | Proovide ümberkujundamine ja polünoomi regressioon | Vandermonde-maatriks, np.power.outer |
| 10 | Lineaarmudelite seadistamine ja hindamine koos seadustamisega | Numbriline stabiilsus, tingimuse number, joonistus |
| 15 | Lineaarse mudeli paigaldamine tegelikele andmekogumitele | scikit-õppinud: StandardScaler, lineaarne regressioon |
Tunnustused
Inimkeskse tehisintellekti magistriprogrammi kaasfinantseeris Euroopa Liidu Ühendamise Rahastu toetusega CEF-TC-2020–1 „Digioskused 2020“-EU-IA-0068.