Adminisztratív információk
| Cím | Döntéselmélet |
| Időtartam | 60 |
| Modul | A |
| Lecke típusa | Bemutató |
| Fókusz | Technikai – A mesterséges intelligencia alapjai |
| Téma | A mesterséges intelligencia alapjai |
Kulcsszó
Bayes-tétel, maximális várható hasznosság, optimális döntés, Bayes-osztályozó, Bayes hibaszázalék,
Tanulási célok
- Bayes-tétel
- várható maximális hasznosság
- optimális döntés
- Bayes-osztályozó
- Bayes-hibaszázalék
Várható előkészítés
Az előtt befejezendő tanulási események
Kötelező a diákok számára
- Python és pandák készségek
- Naiv Bayes osztályozó
- Logisztikai regresszió
- Hatásdiagram
Választható diákok számára
- Mesterséges intelligencia: Modern megközelítés, 4. globális kiadás: Stuart Russell és Peter Norvig, Pearson (AIMA4e):ch12–18
Referenciák és háttér a diákok számára
- AIMA4e:ch12–18
Ajánlott tanároknak
- Domingos, P. és Pazzani, M., 1997. Az egyszerű Bayes-i osztályozó optimálissága nulla-egy veszteség alatt. Gépi tanulás, 29(2), pp. 103–130.
- AIMA4e:ch12–18
Leckeanyagok
Utasítások tanároknak
- Az NBN modell adaptálása
- Szintetikus adatok generálása különböző méretű (és opcionálisan nem teljes/zajszintű)
- Döntési régiók felfedezése
- Az osztályon belüli tevékenységek során kérje meg a diákokat, hogy válasszanak ki eseteket
Vázlat/időterv
| Időtartam | Leírás | Fogalmak | Tevékenység | Anyag |
|---|---|---|---|---|
| 15 | Globális és helyi kockázat, döntési régiók, Bayes hiba | kockázat | ||
| 15 | Generatív kontra prediktív modellek: logisztikai regresszió vs. NBN | logisztikai regresszió | ||
| 15 | A Naive Bayes nettó ismerete az adatokból | Naiv Bayes háló | ||
| 15 | Logisztikus regresszió tanulása az adatokból | logisztikai regresszió |
Visszaigazolások
A Human-Centered AI Masters programot az Európai Unió Európai Hálózatfinanszírozási Eszköze (CEF-TC-2020–1 Digitális készségek 2020 EU-IA-0068) társfinanszírozta.