Administrativ information
| Titel | Beslutsteori |
| Varaktighet | 60 |
| Modul | A |
| Typ av lektion | Handledning |
| Fokus | Tekniska – Grunderna för AI |
| Ämne | Grunderna för AI |
Nyckelord
Bayes sats, maximal förväntad nytta, optimalt beslut,Bayes klassificerare,Bayes felfrekvens,
Lärandemål
- Bayes sats
- maximal förväntad nytta
- optimalt beslut
- Bayes-sorterare
- Felfrekvens för Bayes
Förväntad förberedelse
Lärande händelser som ska slutföras innan
Obligatoriskt för studenter
- Python och pandas färdigheter
- Naiva Bayes Classifier
- Logistisk regression
- Påverkansdiagram
Valfritt för studenter
- Artificiell intelligens: A Modern Approach, 4:e Global ed. av Stuart Russell och Peter Norvig, Pearson (AIMA4e):ch12–18
Referenser och bakgrund för studenter
- AIMA4e:ch12–18
Rekommenderas för lärare
- Domingos, P. och Pazzani, M., 1997. Om optimaliteten hos den enkla Bayesiska klassificeraren under noll-en förlust. Maskininlärning, 29(2), s. 103–130.
- AIMA4e:ch12–18
Lektionsmaterial
Instruktioner för lärare
- Anpassa NBN-modellen
- Generera syntetiska data med olika storlekar (och eventuellt ofullständiga/brusnivåer)
- Utforska beslutsregioner
- Under aktiviteter i klassen, be eleverna att välja fall
Skiss/tidsschema
| Varaktighet | Beskrivning | Begrepp | Verksamhet | Material |
|---|---|---|---|---|
| 15 | Global och lokal risk, beslutsregioner, Bayes-fel | risk | ||
| 15 | Generativa kontra prediktiva modeller: logistisk regression jämfört med NBN | logistisk regression | ||
| 15 | Inlärning av Naive Bayes net från data | Naiva Bayes-nät | ||
| 15 | Lära av en logistisk regression från data | logistisk regression |
Erkännanden
Masterprogrammet Human-Centered AI har samfinansierats av Fonden för ett sammanlänkat Europa i Europeiska unionen inom ramen för Grant CEF-TC-2020–1 Digital Skills 2020 EU-IA-0068.