Informacje administracyjne
| Tytuł | Regresja liniowa |
| Czas trwania | 60 |
| Moduł | A |
| Rodzaj lekcji | Praktyczne |
| Skupienie | Praktyczne – modelowanie AI |
| Temat | Modelowanie sztucznej inteligencji |
Słowa kluczowe
regresja liniowa, maksymalne prawdopodobieństwo, maksymalne a posteriori, funkcje podstawowe,
Cele w zakresie uczenia się
- Aby móc dopasować model regresji liniowej przy użyciu różnych metod estymacji i metod dopasowania z wykorzystaniem Pythona i odpowiednich pakietów
- Aby móc korzystać z wydajnych operacji macierzy w regresji liniowej
Oczekiwane przygotowanie
Wydarzenia edukacyjne, które należy ukończyć przed
Obowiązkowe dla studentów
- Przegląd podstawowej algebry liniowej i rozwiązywanie systemów liniowych numerycznie.
Opcjonalne dla studentów
Brak.
Referencje i tło dla studentów
- Dokumentacja i przykłady scikit-learn: https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html
Zalecane dla nauczycieli
- Przegląd tego, w jaki sposób funkcje numpy używane w notebooku są parametryzowane.
Materiały do lekcji
Instrukcje dla nauczycieli
To wydarzenie edukacyjne składa się z zadań laboratoryjnych, które zostaną rozwiązane przez uczniów z pomocą wiodącego instruktora.
Przygotuj środowisko notebooka z zainstalowanym numpy, matplotlib i scikit-learn.
Zarys/harmonogram czasu
| Czas trwania (min) | Opis | Koncepcje |
|---|---|---|
| 5 | Zwięzłe zadania, które należy wykonać | |
| 5 | Generowanie liniowych zbiorów danych z hałasem Gaussa | hałas dodatkowy, np.random.randn |
| 15 | Dopasowanie i ocena modeli regresji liniowej za pomocą rozpuszczalników liniowych | operacje matrycowe w numpy, np.linalg.solve, RMSE, wykresowanie |
| 10 | Przekształcanie próbek i regresja wielomianowa | Vandermonde-matrix, np.power.outer – opinie, recenzje użytkowników, ekspertów, porównanie cen. – alaTest.pl |
| 10 | Dopasowanie i ocena modeli liniowych z regularizacją | Stabilność numeryczna, numer warunku, wykresowanie |
| 15 | Dopasowanie modelu liniowego do rzeczywistych zbiorów danych | scikit-learn: StandardScaler, liniowa regresja |
Potwierdzenia
Program Masters zorientowany na człowieka został współfinansowany przez instrument „Łącząc Europę” Unii Europejskiej w ramach grantu CEF-TC-2020-1 Umiejętności cyfrowe 2020-EU-IA-0068.