Informazioni amministrative
| Titolo | Regressione lineare |
| Durata | 60 |
| Modulo | A |
| Tipo di lezione | Pratico |
| Focus | Pratiche — AI Modelling |
| Argomento | Modellazione AI |
Parole chiave
regressione lineare, massima probabilità, massimo a posteriori, funzioni di base,
Obiettivi di apprendimento
- Essere in grado di adattare un modello di regressione lineare utilizzando vari approcci di stima e metodi di montaggio con l'uso di Python e pacchetti adatti
- Essere in grado di utilizzare efficienti operazioni a matrice in regressione lineare
Preparazione prevista
Eventi di apprendimento da completare prima
Obbligatorio per gli studenti
- Una revisione dell'algebra lineare di base e la risoluzione numerica dei sistemi lineari.
Facoltativo per gli studenti
Nessuno.
Referenze e background per gli studenti
- Documentazione ed esempi di scikit-learn: https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html
Consigliato per gli insegnanti
- Una revisione di come le funzioni numpy utilizzate nel notebook sono parametrizzate.
Materiale didattico
Istruzioni per gli insegnanti
Questo evento di apprendimento consiste in compiti di laboratorio che devono essere risolti dagli studenti con l'aiuto del principale istruttore.
Preparare un ambiente notebook con numpy, matplotlib e scikit-learn installati.
Schema/orario
| Durata (min) | Descrizione | Concetti |
|---|---|---|
| 5 | Breve dei compiti da svolgere | |
| 5 | Generazione di set di dati lineari con rumore gaussiano | rumore additivo, np.random.randn |
| 15 | Montaggio e valutazione dei modelli di regressione lineare tramite solutori lineari | operazioni a matrice in numpy, np.linalg.solve, RMSE, plotting |
| 10 | Trasformazione dei campioni e regressione polinomiale | Recensione di Vandermonde-matrix, np.power.outer |
| 10 | Montaggio e valutazione di modelli lineari con regolarizzazione | Stabilità numerica, numero di stato, plotting |
| 15 | Montare un modello lineare su set di dati reali | scikit-learn: StandardScaler, Regressione lineare |
Riconoscimenti
Il programma Human-Centered AI Masters è stato co-finanziato dal meccanismo per collegare l'Europa dell'Unione europea nell'ambito della sovvenzione CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.