Administrativne informacije
| Naslov | Linearna regresija |
| Trajanje | 60 |
| Modul | A |
| Vrsta lekcija | Praktičan |
| Fokus | Praktično – modeliranje umjetne inteligencije |
| Tema | Modeliranje umjetne inteligencije |
Ključne riječi
linearna regresija, najveća vjerojatnost, najviše a posteriori, bazne funkcije,
Ciljevi učenja
- Kako bi se mogao uklopiti linearni regresijski model primjenom različitih pristupa procjeni i metoda uparivanja uz korištenje Python i prikladnih pakiranja
- Kako bi se mogle koristiti učinkovite matrične operacije u linearnoj regresiji
Očekivana priprema
Edukativni događaji koji će biti završeni prije
Obvezno za studente
- Pregled osnovnih linearnih algebre i numeričko rješavanje linearnih sustava.
Neobvezno za studente
Nijedan.
Preporuke i pozadina za studente
- Scikit-učenje dokumentacije i primjeri: https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html
Preporučeno nastavnicima
- Pregled kako se numpy funkcije koje se koriste u prijenosnom računalu parametriraju.
Nastavni materijali
Upute za učitelje
Ovaj obrazovni događaj sastoji se od laboratorijskih zadataka koje će učenici riješiti uz pomoć vodećeg instruktora.
Pripremite okruženje za prijenosno računalo s ugrađenim numpy, matplotlib i scikit-učenjem.
Nacrt/vremenski raspored
| Trajanje (min) | Opis | Koncepti |
|---|---|---|
| 5 | Ukratko o zadaćama koje treba obaviti | |
| 5 | Generiranje linearnih skupova podataka s Gaussian bukom | aditivna buka, np.random.randn |
| 15 | Ugradnja i evaluacija linearnih regresijskih modela putem linearnih rješenja | matrične operacije u numpy, np.linalg.solve, RMSE, crtanje |
| 10 | Transformacija uzoraka i polinomna regresija | Vandermonde-matrica, np.power.outer |
| 10 | Ugradnja i ocjenjivanje linearnih modela s regularizacijom | Numerička stabilnost, broj stanja, crtanje |
| 15 | Ugradnja linearnog modela na stvarne skupove podataka | scikit-učiti: StandardScaler, linearna regresija |
Priznanja
Diplomski studij umjetne inteligencije usmjeren na čovjeka sufinanciran je Instrumentom za povezivanje Europe Europske unije u okviru bespovratnih sredstava CEF-TC-2020 – 1 Digital Skills 2020-EU-IA-0068.