Administrativní informace
| Název | Teorie rozhodování |
| Trvání | 60 |
| Modul | A |
| Typ lekce | Tutoriál |
| Soustředění | Technické – Základy umělé inteligence |
| Téma | Základy umělé inteligence |
Klíčová slova
Bayesova věta, maximální očekávaná užitečnost, optimální rozhodnutí, klasifikátor Bayes, míra chyb,
Vzdělávací cíle
- Bayesova věta
- maximální očekávaný užitek
- optimální rozhodnutí
- Bayesův klasifikátor
- Bayesova míra chyb
Očekávaná příprava
Vzdělávací akce, které mají být dokončeny před
Povinné pro studenty
- Python a pandas dovednosti
- Naivní Bayes klasifikátor
- Logistická regrese
- Diagram vlivu
Volitelné pro studenty
- Umělá inteligence: Moderní přístup, 4. globální ed. Stuart Russell a Peter Norvig, Pearson (AIMA4e):ch12–18
Reference a zázemí pro studenty
- AIMA4e:ch12–18
Doporučeno pro učitele
- Domingos, P. a Pazzani, M., 1997. Na optimalizaci jednoduchého bayesovského klasifikátoru při ztrátě nula jedna. Strojové učení, 29(2), s. 103–130.
- AIMA4e:ch12–18
Materiály pro výuku
Pokyny pro učitele
- Adaptovat NBN model
- Generování syntetických dat s různou velikostí (a volitelně úrovní nedokončení/hluku)
- Prozkoumejte regiony s rozhodovací pravomocí
- Během aktivit ve třídě požádejte studenty o výběr případů
Osnova/časový rozvrh
| Trvání | Popis | Koncepty | Aktivity | Materiál |
|---|---|---|---|---|
| 15 | Globální a místní riziko, rozhodovací regiony, Bayesova chyba | riziko | ||
| 15 | Generativní versus prediktivní modely: logistická regrese vs. NBN | logistická regrese | ||
| 15 | Učení sítě Naive Bayes z dat | Naivní Bayes net | ||
| 15 | Učení se logistické regresi z dat | logistická regrese |
Potvrzení
Program Human-Centered AI Masters byl spolufinancován Nástrojem Evropské unie pro propojení Evropy v rámci grantu CEF-TC-2020–1 Digitální dovednosti 2020-EU-IA-0068.