Informações administrativas
| Titulo | Regressão linear |
| Duração | 60 |
| Módulo | A |
| Tipo de aula | Prático |
| Foco | Prático — Modelação de IA |
| Tópico | Modelagem de IA |
Palavras-chave
regressão linear, probabilidade máxima, máximo a posteriori, funções de base,
Objetivos de aprendizagem
- Para poder ajustar-se a um modelo de regressão linear usando várias abordagens de estimação e métodos de encaixe com a utilização de Python e pacotes adequados
- Para ser capaz de usar operações de matriz eficientes na regressão linear
Preparação prevista
Eventos de aprendizagem a serem concluídos antes
Obrigatório para os Estudantes
- Uma revisão da álgebra linear básica e resolução de sistemas lineares numericamente.
Facultativo para Estudantes
Nenhuma.
Referências e antecedentes para estudantes
- Scikit-aprender documentação e exemplos: https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html
Recomendado para professores
- Uma revisão de como as funções numpy utilizadas no bloco de notas são parametrizadas.
Materiais das aulas
Instruções para os professores
Este evento de aprendizagem consiste em tarefas laboratoriais que serão resolvidas pelos alunos com a ajuda do instrutor principal.
Prepare um ambiente portátil com numpy, matplotlib e scikit-learn instalados.
Calendário/horário
| Duração (min) | Descrição | Conceitos |
|---|---|---|
| 5 | Breve das tarefas a serem realizadas | |
| 5 | Gerar conjuntos de dados lineares com ruído gaussiano | ruído aditivo, np.random.randn |
| 15 | Montagem e avaliação de modelos de regressão linear através de solvadores lineares | operações matriciais em numpy, np.linalg.solve, RMSE, plotagem |
| 10 | Transformação de amostras e regressão polinomial | Vandermonde-matriz, np.power.outer |
| 10 | Montagem e avaliação de modelos lineares com regularização | Estabilidade numérica, número de estado, gráfico |
| 15 | Montagem de um modelo linear em conjuntos de dados reais | scikit-learn: StandardScaler, Regressão Linear |
Agradecimentos
O programa de mestrado em IA centrado no ser humano foi cofinanciado pelo Mecanismo Interligar a Europa da União Europeia ao abrigo de subvenções CEF-TC-2020-1 Competências Digitais 2020-EU-IA-0068.