Administrativ information
| Titel | Modellmontering och optimering |
| Varaktighet | 150–180 min |
| Modul | A |
| Typ av lektion | Praktiskt |
| Fokus | Tekniska – Grunderna för AI |
| Ämne | Montering och optimering |
Nyckelord
modellmontering, optimering,binär klassificering, förbättring,
Lärandemål
- Visualisera och skala funktionerna och etiketterna till helt enkelt klassificeringsproblemet.
- Använd mätvärdena för att utvärdera klassificeringsmodellen.
- Justera hyperparametrarna för att förbättra modellens prestanda.
Förväntad förberedelse
Lärande händelser som ska slutföras innan
Obligatoriskt för studenter
- Eleverna ska ha praktisk erfarenhet av python programmering
- Eleverna ska ha god förståelse för dataprospekteringstekniker
- Eleverna ska ha granskat föreläsningar och demonstrationer om ämnen av modelltyper, modellutvärdering, modellmontering och modelloptimering
Valfritt för studenter
Ingen.
Referenser och bakgrund för studenter
Ingen.
Rekommenderas för lärare
- Maskininlärningsgrunder Föreläsning 6: Övermontering (princeton.edu)
- Reglering – Colaboratory (google.com)
- Underfit-Overfit - Colaboratory (google.com)
Lektionsmaterial
Instruktioner för lärare
Följ stegen i Colab.
Sammanfattning av föreläsningen
| Längd (min) | Beskrivning | Verksamhet | Material |
|---|---|---|---|
| 0–15 min | En kort översikt över arbetsuppgifterna och inlärningsmålen | Instruktioner från föreläsaren | CoLab praktisk länk för föreläsare |
| 15–40 min | Uppgift 1 – Utforska datauppsättningen – visualisera och sammanfatta resultaten. Normalisera och märka målvariabeln. | Rapportering – utredning av data (grundläggande, uppsägning, etisk) | |
| 40–75 min | Uppgift 2 – Modellutvärdering – Modellutvärdering baserad på tåg- och provningsdata. | Kodning | |
| 75–105 min | Uppgift 3 – Modelloptimering – Använd hyperparameterinställning och ändra tröskeln för att förbättra prestandan. | Kodning | |
| 105–135 min | Uppgift 4 – Modelloptimering – summera modellens prestanda för uppgift 3 | Rapportering – Sammanfattning | |
| 135–150 min | Sammanfattning av det praktiska | Slutsats av föreläsaren |
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.