Διοικητικές πληροφορίες
| Τίτλος | Φροντιστήριο: Συμπέρασμα και γενίκευση |
| Διάρκεια | 60 |
| Ενότητα | Α |
| Είδος μαθήματος | Φροντιστήριο |
| Εστίαση | Τεχνικά — Ιδρύματα τεχνητής νοημοσύνης |
| Θέμα | Τα θεμέλια της τεχνητής νοημοσύνης |
Λέξεις-κλειδιά
επαγωγικό συμπέρασμα,Bayesian συμπέρασμα, αφελείς Bayes,
Μαθησιακοί στόχοι
- Οι μαθητές κατανοούν τη βασική ιδέα του επαγωγικού συμπεράσματος,
- Οι μαθητές κατανοούν την Bayesian θεραπεία του συμπεράσματος και της πρόβλεψης,
- Οι μαθητές μπορούν να εκπαιδεύσουν έναν ταξινομητή Naive Bayesian σε πραγματικά σύνολα δεδομένων.
Αναμενόμενη προετοιμασία
Μαθησιακές εκδηλώσεις που πρέπει να ολοκληρωθούν πριν
Υποχρεωτικό για τους φοιτητές
- Μια ανασκόπηση της θεωρίας πιθανοτήτων, ειδικά του κανόνα Bayes
Προαιρετικό για Φοιτητές
Καμία.
Αναφορές και υπόβαθρο για τους μαθητές
- Επίσκοπος, Κρίστοφερ Μ. (2006). Αναγνώριση προτύπων και μηχανική μάθηση, κεφάλαια 1 και 2. Για μια σύντομη ανασκόπηση της θεωρίας πιθανοτήτων, βλ. Ενότητα 1.2.
Συνιστάται για εκπαιδευτικούς
Υλικό μαθήματος
Οδηγίες για τους εκπαιδευτικούς
Προετοιμάστε ένα περιβάλλον σημειωματαρίου Jupyter με πακέτα matplotlib, numpy, scipy και scikit-μάθεις εγκατεστημένα.
Σχεδιάγραμμα/χρονοδιάγραμμα
| Διάρκεια (ελάχ.) | Περιγραφή | Έννοιες |
|---|---|---|
| 25 | Εισαγωγή στις μεθόδους Naive Bayesian | Κανόνας Bayes, αφελής υπόθεση, Bayesian συμπέρασμα, πρόβλεψη |
| 5 | Παραγωγή δεδομένων παιχνιδιών | Κατανομή Gaussian, προηγούμενες πιθανότητες κλάσης, πυκνότητα υπό όρους τάξης |
| 10 | Συμπέρασμα παραμέτρων και οπτικοποίηση | Πολυμεταβλητή Gaussian pdf, οικόπεδα περιγράμματος |
| 10 | Πρόβλεψη και οπτικοποίηση | Οπίσθιες πιθανότητες, argmax |
| 10 | GaussianNB σε ένα πραγματικό σύνολο δεδομένων | Αξιολόγηση των ταξινομητών, ακρίβεια |
Αναγνωρίσεις
Το πρόγραμμα Μάστερ τεχνητής νοημοσύνης με επίκεντρο τον άνθρωπο συγχρηματοδοτήθηκε από τον μηχανισμό «Συνδέοντας την Ευρώπη» της Ευρωπαϊκής Ένωσης στο πλαίσιο της επιχορήγησης CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.