Administrative oplysninger
| Titel | Vejledning: Inferens og generalisering |
| Varighed | 60 |
| Modul | A |
| Lektionstype | Tutorial |
| Fokus | Teknisk — Grundlæggelser af kunstig intelligens |
| Emne | Fundamentet for AI |
Nøgleord
induktiv inferens, bayesisk inferens,naive Bayes,
Læringsmål
- Eleverne forstår den grundlæggende idé om induktiv inferens,
- Eleverne forstår Bayesian behandling af slutning og forudsigelse,
- Eleverne kan træne en Naive Bayesian-klassiker på datasæt fra den virkelige verden.
Forventet forberedelse
Læringsbegivenheder, der skal fuldføres før
Obligatorisk for studerende
- En gennemgang af sandsynlighedsteorien, især Bayes' regel
Valgfrit for studerende
Ingen.
Referencer og baggrund for studerende
- Biskop, Christopher M. (2006). Mønstergenkendelse og maskinlæring, kapitel 1 og 2. For en kort gennemgang af sandsynlighedsteorien, se afsnit 1.2.
Anbefalet til lærerne
Undervisningsmaterialer
Instruktioner til lærerne
Forbered et Jupyter notesbog miljø med Matplotlib, numpy, scipy og scikit-lære pakker installeret.
Oversigt/tidsplan
| Varighed (min) | Beskrivelse | Koncepter |
|---|---|---|
| 25 | Introduktion til Naive Bayesian metoder | Bayes "regel, naiv antagelse, Bayesian slutning, forudsigelse |
| 5 | Generering af legetøjsdata | Gaussian fordeling, tidligere klasse sandsynligheder, klasse betingede tætheder |
| 10 | Parameterslutning og visualisering | Multivariate Gaussian pdf, kontur plots |
| 10 | Forudsigelse og visualisering | Bageste sandsynligheder, argmax |
| 10 | GaussianNB på et datasæt i den virkelige verden | Vurdering af klassificeringer, nøjagtighed |
Anerkendelser
Programmet Human-Centered AI Masters blev samfinansieret af Connecting Europe-faciliteten i Den Europæiske Union under tilskud CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.