Verwaltungsinformationen
| Titel | Tutorial: Inferenz und Generalisierung |
| Dauer | 60 |
| Modulen | A |
| Unterrichtstyp | Anleitung |
| Fokussierung | Technische – Grundlagen der KI |
| Themenbereich | Grundlagen der KI |
Suchbegriffe
induktive Inferenz, bayesische Inferenz, naive Bayes,
Lernziele
- Die Lernenden verstehen die Grundidee der induktiven Inferenz,
- Die Lernenden verstehen die Bayessche Behandlung von Inferenz und Vorhersage,
- Die Lernenden können einen Naive Bayesian Klassifikator auf realen Datensätzen trainieren.
Erwartete Vorbereitung
Lernveranstaltungen, die vorab abgeschlossen werden müssen
Obligatorisch für Studenten
- Eine Überprüfung der Wahrscheinlichkeitstheorie, insbesondere der Bayes-Regel
Optional für Studenten
Keine.
Referenzen und Hintergründe für Studierende
- Bischof, Christopher M. (2006). Mustererkennung und maschinelles Lernen, Kapitel 1 und 2. Für eine kurze Überprüfung der Wahrscheinlichkeitstheorie siehe Abschnitt 1.2.
Empfohlen für Lehrer
Unterrichtsmaterialien
Anleitung für Lehrer
Bereiten Sie eine Jupyter-Notebook-Umgebung mit installierten matplotlib-, numpy-, scipy- und scikit-learn-Paketen vor.
Gliederung/Zeitplan
| Dauer (min) | Beschreibung | Konzepte |
|---|---|---|
| 25 | Einführung in Naive Bayesian Methoden | Bayes 'Regel, naive Annahme, Bayessche Inferenz, Vorhersage |
| 5 | Spielzeugdaten generieren | Gauss'sche Verteilung, frühere Klassenwahrscheinlichkeiten, klassenbedingte Dichten |
| 10 | Parameterinferenz und Visualisierung | Multivariate Gaussian pdf, Konturdiagramme |
| 10 | Vorhersage und Visualisierung | Hintere Wahrscheinlichkeiten, argmax |
| 10 | GaussianNB auf einem realen Datensatz | Bewertung von Klassifikatoren, Genauigkeit |
Danksagung
Das Human-Centered AI Masters-Programm wurde von der Fazilität „Connecting Europe“ der Europäischen Union im Rahmen des Zuschusses „CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068“ kofinanziert.