Upravne informacije
| Naslov | Linearna regresija |
| Trajanje | 60 |
| Modul | A |
| Vrsta lekcije | Praktična |
| Osredotočenost | Praktično – modeliranje umetne inteligence |
| Tema | Modeliranje umetne inteligence |
Ključne besede
linearna regresija, največja verjetnost, maksimalna a posteriori, osnovne funkcije,
Učni cilji
- Da se lahko prilega linearnemu regresijskemu modelu z uporabo različnih pristopov ocenjevanja in metod prilagajanja z uporabo Pythona in ustreznih paketov
- Za uporabo učinkovitih operacij matrike v linearni regresiji
Pričakovana priprava
Učenje Dogodki, ki jih je treba dokončati pred
Obvezno za študente
- Pregled osnovne linearne algebre in numerično reševanje linearnih sistemov.
Neobvezno za študente
Nobenega.
Reference in ozadje za študente
- Dokumentacija in primeri Scikit-Learn: https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html
Priporočeno za učitelje
- Pregled, kako se parametrirajo funkcije numpy, ki se uporabljajo v prenosnem računalniku.
Gradivo za učne ure
Navodila za učitelje
Ta učni dogodek je sestavljen iz laboratorijskih nalog, ki jih študentje rešujejo s pomočjo vodilnega inštruktorja.
Pripravite prenosno okolje z nameščenim orjaškim, matplotlibom in scikit-učenjem.
Oris/časovni razpored
| Trajanje (min) | Opis | Koncepti |
|---|---|---|
| 5 | Povzetek nalog, ki jih je treba opraviti | |
| 5 | Ustvarjanje linearnih podatkovnih nizov z Gaussovim hrupom | aditivni hrup, np.random.randn |
| 15 | Opremljanje in vrednotenje linearnih regresijskih modelov prek linearnih reševalcev | matrične operacije v numpy, np.linalg.solve, RMSE, risanje |
| 10 | Preoblikovanje vzorcev in polinomska regresija | Vandermonde-matrix, np.power.outer |
| 10 | Opremljanje in vrednotenje linearnih modelov s regularizacijo | Numerična stabilnost, številka stanja, risanje |
| 15 | Namestitev linearnega modela na realne podatkovne nize | Scikit-učenje: StandardScaler, linearna regresija |
Priznanja
Program Masters umetne inteligence, ki je bil vključen v človeka, je bil sofinanciran z instrumentom za povezovanje Evrope Evropske unije v okviru nepovratnih sredstev (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).