Administrative oplysninger
| Titel | Beslutningsteori |
| Varighed | 60 |
| Modul | A |
| Lektionstype | Tutorial |
| Fokus | Teknisk — Grundlæggelser af kunstig intelligens |
| Emne | Fundamentet for AI |
Nøgleord
Bayes' teorem, maksimal forventet nytteværdi, optimal beslutning, Bayes-klassifikation, fejlprocent for batterier
Læringsmål
- Bayes' sætning
- maksimal forventet nytteværdi
- optimal beslutning
- Klassificering af Bayes
- Fejlprocent i Bayes
Forventet forberedelse
Læringsbegivenheder, der skal fuldføres før
Obligatorisk for studerende
- Python og pandaer færdigheder
- Hoteller i nærheden af Naive Bayes Classifier
- Logistisk regression
- Påvirkningsdiagram
Valgfrit for studerende
- Kunstig intelligens: En moderne tilgang, 4. globale ed. af Stuart Russell og Peter Norvig, Pearson (AIMA4e):
Referencer og baggrund for studerende
- AIMA4e:ch12-18
Anbefalet til lærerne
- Domingos, P. og Pazzani, M., 1997. Om optimaliteten af den enkle Bayesian-klassifikation under nul-en tab. Maskinlæring, 29(2), s. 103-130.
- AIMA4e:ch12-18
Undervisningsmaterialer
Instruktioner til lærerne
- Tilpas NBN-modellen
- Generer syntetiske data med forskellig størrelse (og eventuelt ufuldstændighed/støjniveauer)
- Udforsk beslutningsregioner
- Under in-class aktiviteter, bede eleverne om at vælge cases
Oversigt/tidsplan
| Varighed | Beskrivelse | Koncepter | Aktivitet | Materiale |
|---|---|---|---|---|
| 15 | Global og lokal risiko, beslutningsregioner, Bayes-fejl | risiko | ||
| 15 | Generative versus prædiktive modeller: logistisk regression vs. NBN | logistisk regression | ||
| 15 | Lær af Naive Bayes-nettet fra data | Naive Bayes net | ||
| 15 | Lær af en logistisk regression fra data | logistisk regression |
Anerkendelser
Programmet Human-Centered AI Masters blev samfinansieret af Connecting Europe-faciliteten i Den Europæiske Union under tilskud CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.