Verwaltungsinformationen
| Titel | Modellfitting und Optimierung |
| Dauer | 150-180 min |
| Modulen | A |
| Unterrichtstyp | Praktisch |
| Fokussierung | Technische – Grundlagen der KI |
| Themenbereich | Fitting und Optimierung |
Suchbegriffe
Modellfitting, Optimierung, Binäre Klassifikation, Regression,
Lernziele
- Visualisieren und skalieren Sie die Funktionen und Etiketten einfach auf das Klassifizierungsproblem.
- Verwenden Sie die Metriken, um das Klassifizierungsmodell zu bewerten.
- Optimieren Sie die Hyperparameter, um die Modellleistung zu verbessern.
Erwartete Vorbereitung
Lernveranstaltungen, die vorab abgeschlossen werden müssen
Obligatorisch für Studenten
- Schüler sollten praktische Erfahrung in Python-Programmierung haben
- Die Studierenden sollten ein gutes Verständnis von Datenexplorationstechniken haben
- Die Studierenden sollten Vorlesungen und Demonstrationen zu den Themen Modelltypen, Modellbewertung, Modellfitting und Modelloptimierung überprüft haben.
Optional für Studenten
Keine.
Referenzen und Hintergründe für Studierende
Keine.
Empfohlen für Lehrer
- Grundlagen des maschinellen Lernens Vortrag 6: Überfitting (princeton.edu)
- Regularisierung - Colaboratory (google.com)
- Underfit-Overfit - Colaboratory (google.com)
Unterrichtsmaterialien
Anleitung für Lehrer
Folgen Sie den Schritten im Colab.
Überblick über die Vorlesung
| Dauer (min) | Beschreibung | Aktivität | Werkstoffe |
|---|---|---|---|
| 0-15 min | Ein kurzer Überblick über die Aufgaben und Lernziele | Anleitung des Dozenten | CoLab Praxislink für Dozenten |
| 15 – 40 Min. | Aufgabe 1 – Erkunden des Datensatzes – Visualisierung und Zusammenfassung der Ergebnisse. Normalisieren und kennzeichnen Sie die Zielvariable. | Berichterstattung – Untersuchung von Daten (Vorurteile, Redundanz, ethisch) | |
| 40 – 75 min | Aufgabe 2 – Modellbewertung – Modellbewertung basierend auf Zug- und Testdaten. | Codierung | |
| 75 – 105 min | Aufgabe 3 – Modelloptimierung – Verwenden Sie Hyperparameter-Tuning und ändern Sie den Schwellenwert, um die Leistung zu verbessern. | Codierung | |
| 105 – 135 min | Aufgabe 4 – Modelloptimierung – Zusammenfassung der Modellleistung von Aufgabe 3 | Berichterstattung – Zusammenfassung | |
| 135-150 min | Zusammenfassung der praktischen | Fazit des Dozenten |
Danksagung
Das Human-Centered AI Masters-Programm wurde von der Fazilität „Connecting Europe“ der Europäischen Union im Rahmen des Zuschusses „CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068“ kofinanziert.