Hallinnolliset tiedot
| Otsikko | Lineaarinen regressio |
| Kesto | 60 |
| Moduuli | A |
| Oppitunnin tyyppi | Käytännöllinen |
| Keskittyminen | Käytännöllinen – AI Modelling |
| Aihe | AI-mallinnus |
Avainsanoja
lineaarinen regressio, suurin todennäköisyys, maksimi a posteriori, perusfunktiot,
Oppimistavoitteet
- Pystyä sovittamaan lineaarinen regressiomalli käyttäen erilaisia estimointimenetelmiä ja sovitusmenetelmiä Pythonin ja sopivien pakkausten avulla
- Pystyä käyttämään tehokkaita matriisitoimintoja lineaarisessa regressiossa
Odotettu valmistelu
Oppimistapahtumat valmistuvat ennen
Pakollinen opiskelijoille
- Perustason lineaarisen algebran tarkastelu ja lineaaristen järjestelmien ratkaiseminen numeerisesti.
Valinnainen opiskelijoille
Ei mitään.
Referenssejä ja taustaa opiskelijoille
- Scikit-oppimisen dokumentaatio ja esimerkkejä: https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html
Suositellaan opettajille
- Katsaus siitä, miten muistikirjassa käytetyt numpy-funktiot parametroidaan.
Oppituntimateriaalit
Ohjeita opettajille
Tämä oppimistapahtuma koostuu laboratoriotehtävistä, jotka opiskelijoiden on ratkaistava johtavan ohjaajan avulla.
Valmistele muistikirjaympäristö, jossa on numpy, matplotlib ja scikit-oppi.
Pääpiirteittäin/aika-aikataulu
| Kesto (min) | Kuvaus | Käsitteet |
|---|---|---|
| 5 | Selvitys suoritettavista tehtävistä | |
| 5 | Lineaaristen tietoaineistojen tuottaminen Gaussin kohinalla | lisäainemelu, np.random.randn |
| 15 | Lineaaristen regressiomallien asentaminen ja arviointi lineaaristen ratkaisijoiden kautta | matriisitoiminnot numpyina, np.linalg.solve, RMSE, piirustus |
| 10 | Näytteiden muuntaminen ja polynomiregressio | Vandermonde-matriisi, np.power.outer |
| 10 | Lineaaristen mallien sovittaminen ja arviointi laillistamisella | Numeerinen stabiilisuus, kuntoluku, piirustus |
| 15 | Lineaarisen mallin sovittaminen todellisiin tietokokonaisuuksiin | scikit-oppiminen: StandardScaler, LineaarinenRegressio |
Tunnustukset
Human-Centered AI Masters -ohjelmaa rahoitettiin Euroopan unionin Verkkojen Eurooppa -välineestä (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).