Informacje administracyjne
| Tytuł | Teoria decyzji |
| Czas trwania | 60 |
| Moduł | A |
| Rodzaj lekcji | Tutorial |
| Skupienie | Techniczne – podstawy sztucznej inteligencji |
| Temat | Podstawy AI |
Słowa kluczowe
Twierdzenie Bayesa, maksymalna oczekiwana użyteczność, optymalna decyzja, klasyfikator Bayesa, poziom błędu Bayesa,
Cele w zakresie uczenia się
- Twierdzenie Bayesa
- maksymalna spodziewana użyteczność
- optymalna decyzja
- Klasyfikator Bayesa
- Poziom błędu Bayesa
Oczekiwane przygotowanie
Wydarzenia edukacyjne, które należy ukończyć przed
Obowiązkowe dla studentów
- Umiejętności Pythona i pandy
- Naiwny klasyfikator Bayesa
- Regresja logistyczna
- Schemat wpływu
Opcjonalne dla studentów
- Sztuczna inteligencja: Nowoczesne podejście, 4th Global ed. Stuart Russell i Peter Norvig, Pearson (AIMA4e):ch12-18
Referencje i tło dla studentów
- AIMA4e:ch12-18
Zalecane dla nauczycieli
- Domingos, P. i Pazzani, M., 1997. Na optymalności prostego klasyfikatora bayesowskiego przy stracie zero-jednej. Uczenie maszynowe, 29(2), s. 103-130.
- AIMA4e:ch12-18
Materiały do lekcji
Instrukcje dla nauczycieli
- Adaptacja modelu NBN
- Generowanie danych syntetycznych o różnych rozmiarach (i opcjonalnie niekompletności/poziomach szumów)
- Poznaj regiony decyzyjne
- Podczas zajęć w klasie poproś uczniów o wybranie przypadków
Zarys/harmonogram czasu
| Czas trwania | Opis | Koncepcje | Działalność | Materiał |
|---|---|---|---|---|
| 15 | Globalne i lokalne ryzyko, regiony decyzyjne, błąd Bayesa | ryzyko | ||
| 15 | Modele generacyjne w porównaniu z modelami predykcyjnymi: regresja logistyczna vs. NBN | regresja logistyczna | ||
| 15 | Nauka naiwnych Bayesów na podstawie danych | Naiwny Bayes netto | ||
| 15 | Poznanie regresji logistycznej z danych | regresja logistyczna |
Potwierdzenia
Program Masters zorientowany na człowieka został współfinansowany przez instrument „Łącząc Europę” Unii Europejskiej w ramach grantu CEF-TC-2020-1 Umiejętności cyfrowe 2020-EU-IA-0068.