Verwaltungsinformationen
| Titel | Entscheidungstheorie |
| Dauer | 60 |
| Modulen | A |
| Unterrichtstyp | Anleitung |
| Fokussierung | Technische – Grundlagen der KI |
| Themenbereich | Grundlagen der KI |
Suchbegriffe
Bayes 'Theorem, maximale erwartete Nutzen, optimale Entscheidung,Bayes-Klassifikator,Bayes-Fehlerquote,
Lernziele
- Theorem von Bayes
- maximal erwarteter Nutzen
- optimale Entscheidung
- Bayes Klassifikator
- Bayes Fehlerquote
Erwartete Vorbereitung
Lernveranstaltungen, die vorab abgeschlossen werden müssen
Obligatorisch für Studenten
- Python- und Panda-Fähigkeiten
- Naive Bayes Klassifikator
- Logistische Regression
- Einflussdiagramm
Optional für Studenten
- Künstliche Intelligenz: Ein moderner Ansatz, 4. Global ed. von Stuart Russell und Peter Norvig, Pearson (AIMA4e):ch12-18
Referenzen und Hintergründe für Studierende
- AIMA4e:ch12-18
Empfohlen für Lehrer
- Domingos, P. und Pazzani, M., 1997. Über die Optimizität des einfachen Bayesschen Klassifikators unter Null-Eins-Verlust. Maschinelles Lernen, 29(2), S. 103-130.
- AIMA4e:ch12-18
Unterrichtsmaterialien
Anleitung für Lehrer
- NBN-Modell anpassen
- Erzeugen Sie synthetische Daten mit unterschiedlicher Größe (und optional Unvollständigkeits-/Lärmpegel)
- Entscheidungsregionen erkunden
- Bitten Sie die Schüler während der Unterrichtsaktivitäten, Fälle auszuwählen
Gliederung/Zeitplan
| Dauer | Beschreibung | Konzepte | Aktivität | Werkstoffe |
|---|---|---|---|---|
| 15 | Globales und lokales Risiko, Entscheidungsregionen, Bayes-Fehler | Risiko | ||
| 15 | Generative versus prädiktive Modelle: logistische Regression vs. NBN | logistische Regression | ||
| 15 | Lernen des Naive Bayes-Netzes aus Daten | Naive Bayes Netz | ||
| 15 | Lernen einer logistischen Regression aus Daten | logistische Regression |
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.