Administrativ information
| Titel | Linjär regression |
| Varaktighet | 60 |
| Modul | A |
| Typ av lektion | Praktiskt |
| Fokus | Praktiskt – AI-modellering |
| Ämne | AI-modellering |
Nyckelord
linjär regression, maximal sannolikhet, maximal a posteriori, basfunktioner,
Lärandemål
- För att kunna passa en linjär regressionsmodell med hjälp av olika uppskattningsmetoder och anpassningsmetoder med användning av Python och lämpliga paket
- För att kunna använda effektiva matrisoperationer vid linjär regression
Förväntad förberedelse
Lärande händelser som ska slutföras innan
Obligatoriskt för studenter
- En genomgång av grundläggande linjär algebra och lösa linjära system numeriskt.
Valfritt för studenter
Ingen.
Referenser och bakgrund för studenter
- Dokumentation och exempel på scikit-lärande: https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html
Rekommenderas för lärare
- En översyn av hur numpy-funktionerna som används i anteckningsboken parametriseras.
Lektionsmaterial
Instruktioner för lärare
Denna inlärningshändelse består av laboratorieuppgifter som ska lösas av eleverna med hjälp av den ledande instruktören.
Förbered en anteckningsboksmiljö med numpy, matplotlib och scikit-learn installerad.
Skiss/tidsschema
| Längd (min) | Beskrivning | Begrepp |
|---|---|---|
| 5 | Kort beskrivning av de uppgifter som ska utföras | |
| 5 | Generera linjära dataset med Gaussiskt brus | additivt buller, np.random.randn |
| 15 | Montering och utvärdering av linjära regressionsmodeller via linjära lösare | matrisoperationer i numpy, np.linalg.solve, RMSE, plottning |
| 10 | Transformerande prover och polynom regression | Vandermonde-matrix, np.power.outer |
| 10 | Montering och utvärdering av linjära modeller med regularisering | Numerisk stabilitet, tillståndsnummer, plottning |
| 15 | Montera en linjär modell på verkliga dataset | scikit-lärande: Standardskalare, linjärregression |
Erkännanden
Masterprogrammet Human-Centered AI har samfinansierats av Fonden för ett sammanlänkat Europa i Europeiska unionen inom ramen för Grant CEF-TC-2020–1 Digital Skills 2020 EU-IA-0068.