Administratieve informatie
| Titel | Lineaire regressie |
| Looptijd | 60 |
| Module | A |
| Type les | Praktisch |
| Focus | Praktisch — AI-modellering |
| Onderwerp | AI-modellering |
Sleutelwoorden
lineaire regressie, maximale waarschijnlijkheid, maximum a posteriori, basisfuncties,
Leerdoelen
- Om een lineair regressiemodel te kunnen passen met behulp van verschillende schattingsbenaderingen en montagemethoden met het gebruik van Python en geschikte pakketten
- Om efficiënte matrixbewerkingen in lineaire regressie te kunnen gebruiken
Verwachte voorbereiding
Leren van gebeurtenissen die moeten worden voltooid voordat
Verplicht voor studenten
- Een overzicht van de elementaire lineaire algebra en het oplossen van lineaire systemen numeriek.
Optioneel voor studenten
Geen.
Referenties en achtergronden voor studenten
- Scikit-leer documentatie en voorbeelden: https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html
Aanbevolen voor docenten
- Een overzicht van hoe de numpy-functies in het notitieblok worden gebruikt, worden geparameteriseerd.
Lesmateriaal
Instructies voor docenten
Dit leerevenement bestaat uit laboratoriumtaken die door de studenten worden opgelost met de hulp van de leidende instructeur.
Bereid een notebookomgeving voor met numpy, matplotlib en scikit-learn geïnstalleerd.
Overzicht/tijdschema
| Duur (min) | Omschrijving | Concepten |
|---|---|---|
| 5 | Beschrijving van de uit te voeren taken | |
| 5 | Genereren van lineaire datasets met Gaussiaanse ruis | additief geluid, np.random.randn |
| 15 | Het monteren en evalueren van lineaire regressiemodellen via lineaire solvers | matrixbewerkingen in numpy, np.linalg.solve, RMSE, plotting |
| 10 | Het transformeren van monsters en polynomiale regressie | Vandermonde-matrix, np.power.outer |
| 10 | Het monteren en evalueren van lineaire modellen met regularisatie | Numerieke stabiliteit, conditienummer, plotting |
| 15 | Passen van een lineair model op echte datasets | scikit-leren: StandardScaler, LineaireRegressie |
Erkenningen
Het Human-Centered AI Masters-programma werd mede gefinancierd door de Connecting Europe Facility van de Europese Unie in het kader van de subsidie CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.