Informations administratives
| Titre | Régression linéaire |
| Durée | 60 |
| Module | A |
| Type de leçon | Pratique |
| Focus | Pratique — Modélisation de l’IA |
| Sujet | Modélisation de l’IA |
Mots-clés
régression linéaire, probabilité maximale, maximum a posteriori, fonctions de base,
Objectifs d’apprentissage
- Être capable d’adapter un modèle de régression linéaire en utilisant diverses approches d’estimation et des méthodes d’ajustement avec l’utilisation de Python et des paquets appropriés
- Pouvoir utiliser des opérations matricielles efficaces en régression linéaire
Préparation prévue
Événements d’apprentissage à compléter avant
Obligatoire pour les étudiants
- Un examen de l’algèbre linéaire de base et la résolution numérique des systèmes linéaires.
Optionnel pour les étudiants
Aucun.
Références et antécédents pour les étudiants
- Documentation et exemples de Scikit-learn: https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html
Recommandé pour les enseignants
- Une revue de la façon dont les fonctions numpy utilisées dans le bloc-notes sont paramétrées.
Matériel de leçon
Instructions pour les enseignants
Cet événement d’apprentissage consiste en des tâches de laboratoire qui seront résolues par les étudiants avec l’aide de l’instructeur principal.
Préparez un ordinateur portable avec numpy, matplotlib et scikit-learn installés.
Esquisse/horaire
| Durée (min) | Description | Concepts |
|---|---|---|
| 5 | Résumé des tâches à accomplir | |
| 5 | Générer des ensembles de données linéaires avec du bruit gaussien | bruit additif, np.random.randn |
| 15 | Montage et évaluation de modèles de régression linéaire dans des solveurs linéaires | opérations matricielles en numpy, np.linalg.solve, RMSE, tracé |
| 10 | Transformation des échantillons et régression polynomique | Vandermonde-matrice, np.power.outer |
| 10 | Montage et évaluation de modèles linéaires avec régularisation | Stabilité numérique, numéro de condition, tracé |
| 15 | Montage d’un modèle linéaire sur des ensembles de données réels | scikit-learn: StandardScaler, régression linéaire |
Remerciements
Le programme de master IA centré sur l’humain a été cofinancé par le mécanisme pour l’interconnexion en Europe de l’Union européenne dans le cadre de la subvention CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.