Hallinnolliset tiedot
| Otsikko | Päätöksentekoteoria |
| Kesto | 60 |
| Moduuli | A |
| Oppitunnin tyyppi | Opetusohjelma |
| Keskittyminen | Tekninen – tekoälyn perusteet |
| Aihe | Tekoälyn perusteet |
Avainsanoja
Bayesin teoreema, suurin odotettu hyöty, optimaalinen päätös, Bayes-luokitus, Bayesin virhetaso,
Oppimistavoitteet
- Bayesin teoreema
- suurin odotettavissa oleva hyöty
- optimaalinen päätös
- Bayes-luokittaja
- Bayesin virhetaso
Odotettu valmistelu
Oppimistapahtumat valmistuvat ennen
Pakollinen opiskelijoille
- Python ja pandas taidot
- Naiivi Bayes -luokitus
- Logistinen regressio
- Vaikutuskaavio
Valinnainen opiskelijoille
- Tekoäly: Moderni lähestymistapa, 4. Global ed. Stuart Russell ja Peter Norvig, Pearson (AIMA4e):ch12–18
Referenssejä ja taustaa opiskelijoille
- AIMA4e:ch12–18
Suositellaan opettajille
- Domingos, P. & Pazzani, M., 1997. Yksinkertaisen Bayesilaisen luokituksen optimaalisuudesta nolla-yksi tappiolla. Koneoppiminen, 29(2), s. 103–130.
- AIMA4e:ch12–18
Oppituntimateriaalit
Ohjeita opettajille
- Mukauta NBN-mallia
- Tuottaa synteettisiä tietoja eri kokoisilla (ja valinnaisesti epätäydellisyydellä/kohinatasoilla)
- Tutustu päätöksentekoalueisiin
- Luokan aktiviteeteissa pyydä oppilaita valitsemaan tapaukset
Pääpiirteittäin/aika-aikataulu
| Kesto | Kuvaus | Käsitteet | Aktiivisuus | Materiaali |
|---|---|---|---|---|
| 15 | Maailmanlaajuinen ja paikallinen riski, päätösalueet, Bayes-virhe | riski | ||
| 15 | Generatiiviset ja ennakoivat mallit: logistinen regressio vs. NBN | logistinen regressio | ||
| 15 | Naive Bayes -verkon oppiminen datasta | Naiivi Bayes net | ||
| 15 | Logistisen regression oppiminen datasta | logistinen regressio |
Tunnustukset
Human-Centered AI Masters -ohjelmaa rahoitettiin Euroopan unionin Verkkojen Eurooppa -välineestä (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).