Administratieve informatie
| Titel | Beslissingstheorie |
| Looptijd | 60 |
| Module | A |
| Type les | Tutorial |
| Focus | Technisch — Stichtingen van AI |
| Onderwerp | Fundamenten van AI |
Sleutelwoorden
Bayes 'stelling, maximaal verwacht nut, optimale beslissing,Bayes classificator,Bayes foutenpercentage,
Leerdoelen
- Stelling van Bayes
- maximaal verwacht nut
- optimale beslissing
- Classificatie van Bayes
- Foutenpercentage Bayes
Verwachte voorbereiding
Leren van gebeurtenissen die moeten worden voltooid voordat
Verplicht voor studenten
- Python en panda’s vaardigheden
- Naïeve Bayes Classifier
- Logistieke regressie
- Beïnvloedingsdiagram
Optioneel voor studenten
- Artificiële intelligentie: Een moderne aanpak, 4e Global door Stuart Russell en Peter Norvig, Pearson (AIMA4e): 12-18
Referenties en achtergronden voor studenten
- AIMA4e:ch12-18
Aanbevolen voor docenten
- Domingos, P. en Pazzani, M., 1997. Op de optimaliteit van de eenvoudige Bayesiaanse classifier onder zero-one verlies. Machine learning, 29(2), blz. 103-130.
- AIMA4e:ch12-18
Lesmateriaal
Instructies voor docenten
- NBN-model aanpassen
- Genereer synthetische gegevens met verschillende grootte (en optioneel incompletness/ruisniveaus)
- Beslisregio’s verkennen
- Tijdens activiteiten in de klas, vraag studenten om cases te selecteren
Overzicht/tijdschema
| Looptijd | Omschrijving | Concepten | Activiteit | Materiaal |
|---|---|---|---|---|
| 15 | Mondiaal en lokaal risico, beslissingsregio’s, Bayes-fout | risico | ||
| 15 | Generatieve versus voorspellende modellen: logistieke regressie vs. NBN | logistieke regressie | ||
| 15 | Leren van het Naive Bayes-net uit data | Naïeve Bayes net | ||
| 15 | Het leren van een logistieke regressie uit data | logistieke regressie |
Erkenningen
Het Human-Centered AI Masters-programma werd mede gefinancierd door de Connecting Europe Facility van de Europese Unie in het kader van de subsidie CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.