Adminisztratív információk
| Cím | Lineáris regresszió |
| Időtartam | 60 |
| Modul | A |
| Lecke típusa | Praktikus |
| Fókusz | Praktikus – AI modellezés |
| Téma | Mesterségesintelligencia-modellezés |
Kulcsszó
lineáris regresszió, maximális valószínűség, maximális utólagos, alapfüggvények,
Tanulási célok
- Ahhoz, hogy egy lineáris regressziós modellt különböző becslési megközelítések és illeszkedési módszerek alkalmazásával a Python és a megfelelő csomagok használatával lehessen beilleszteni
- Hatékony mátrixműveletek alkalmazása lineáris regresszióban
Várható előkészítés
Az előtt befejezendő tanulási események
Kötelező a diákok számára
- Az alap lineáris algebra és a lineáris rendszerek numerikus megoldása.
Választható diákok számára
Egy sem.
Referenciák és háttér a diákok számára
- Scikit-tanuló dokumentáció és példák: https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html
Ajánlott tanároknak
- A jegyzetfüzetben használt numpy függvények paraméterezésének áttekintése.
Leckeanyagok
Utasítások tanároknak
Ez a tanulási esemény laboratóriumi feladatokból áll, amelyeket a hallgatók a vezető oktató segítségével oldanak meg.
Készítsen jegyzetfüzet-környezetet numpy, matplotlib és scikit-tanulással telepítve.
Vázlat/időterv
| Időtartam (perc) | Leírás | Fogalmak |
|---|---|---|
| 5 | Az elvégzendő feladatok rövid ismertetése | |
| 5 | Lineáris adatkészletek generálása Gaussian zajjal | additív zaj, np.random.randn |
| 15 | Lineáris regressziós modellek beillesztése és kiértékelése lineáris megoldókon keresztül | mátrixműveletek numpy, np.linalg.solve, RMSE, rajz |
| 10 | Átalakító minták és polinom regresszió | Vandermonde-mátrix, np.power.outer |
| 10 | Lineáris modellek beillesztése és kiértékelése regulációval | Numerikus stabilitás, állapotszám, rajzolás |
| 15 | Lineáris modell beillesztése valós adatkészletekbe | scikit-tanulás: StandardScaler, LineárisRegresszió |
Visszaigazolások
A Human-Centered AI Masters programot az Európai Unió Európai Hálózatfinanszírozási Eszköze (CEF-TC-2020–1 Digitális készségek 2020 EU-IA-0068) társfinanszírozta.