Haldusteave
| Ametinimetus | Otsuseteooria |
| Kestus | 60 |
| Moodul | A |
| Õppetunni liik | Õpetus |
| Keskendumine | Tehniline – AI alused |
| Teema | Tehisintellekti alused |
Võtmesõnad
Bayesi teoreem, maksimaalne oodatav kasulikkus, optimaalne otsus, Bayesi klassifikaator, Bayesi veamäär,
Õpieesmärgid
- Bayesi teoreem
- maksimaalne eeldatav kasulikkus
- optimaalne otsus
- Bayesi klassifitseerija
- Bayesi veamäär
Eeldatav ettevalmistamine
Õppeüritused, mis tuleb lõpetada enne
Kohustuslik õpilastele
- Python ja pandas oskused
- Naive Bayes klassifitseerija
- Logistiline regressioon
- Mõju diagramm
Valikuline õpilastele
- Tehisintellekt: Stuart Russell ja Peter Norvig, Pearson (AIMA4e):ch12–18
Viited ja taust õpilastele
- AIMA4e:ch12–18
Soovitatav õpetajatele
- Domingos, P. ja Pazzani, M., 1997. Lihtsa Bayesi klassifikaatori optimaalsusest null-ühe kaotuse korral. Masinõpe, 29(2), lk 103–130.
- AIMA4e:ch12–18
Õppematerjalid
Juhised õpetajatele
- NBN mudeli kohandamine
- Genereerige erineva suurusega sünteetilisi andmeid (ja valikuliselt ebatäiuslikkuse/müra tasemeid)
- Tutvuge otsustuspiirkondadega
- Klassisisese tegevuse ajal paluge õpilastel valida juhtumid
Ülevaade/ajakava
| Kestus | Kirjeldus | Mõisted | Tegevus | Materjal |
|---|---|---|---|---|
| 15 | Globaalne ja kohalik risk, otsustuspiirkonnad, Bayesi viga | risk | ||
| 15 | Generatiivsed ja ennustavad mudelid: logistiline regressioon vs NBN | logistiline regressioon | ||
| 15 | Naive Bayes’i võrgu tundmaõppimine andmetest | Naive Bayes võrk | ||
| 15 | Logistilise regressiooni õppimine andmetest | logistiline regressioon |
Tunnustused
Inimkeskse tehisintellekti magistriprogrammi kaasfinantseeris Euroopa Liidu Ühendamise Rahastu toetusega CEF-TC-2020–1 „Digioskused 2020“-EU-IA-0068.