Haldusteave
| Ametinimetus | Õpetus: Järeldused ja üldistamine |
| Kestus | 60 |
| Moodul | A |
| Õppetunni liik | Õpetus |
| Keskendumine | Tehniline – AI alused |
| Teema | Tehisintellekti alused |
Võtmesõnad
induktiivjäreldus, baleesia järeldused, naiivne Bayes,
Õpieesmärgid
- Õppijad mõistavad induktiivse järelduse põhiideed,
- Õppijad mõistavad Bayesi lähenemist järeldustele ja ennustustele,
- Õppijad saavad koolitada Naive Bayesi klassifikaatorit reaalmaailma andmekogumites.
Eeldatav ettevalmistamine
Õppeüritused, mis tuleb lõpetada enne
Kohustuslik õpilastele
- Tõenäosusteooria ülevaade, eriti Bayesi reegel
Valikuline õpilastele
Puudub.
Viited ja taust õpilastele
- Piiskop Christopher M. (2006). Mustrituvastus ja masinõpe, 1. ja 2. peatükk. Tõenäosusteooria lühiülevaade on esitatud punktis 1.2.
Soovitatav õpetajatele
Õppematerjalid
Juhised õpetajatele
Valmistage Jupyter sülearvuti keskkond matplotlib, numpy, scipy ja scikit-learn paketid paigaldatud.
Ülevaade/ajakava
| Kestus (min) | Kirjeldus | Mõisted |
|---|---|---|
| 25 | Sissejuhatus Naive Bayesi meetoditesse | Bayesi reegel, naiivne oletus, Bayesi järeldused, ennustused |
| 5 | Mänguasjaandmete genereerimine | Gaussian jaotus, varasema klassi tõenäosus, klassi tingimuslikud tihedused |
| 10 | Parameetri järeldamine ja visualiseerimine | Mitmemõõtmeline Gaussian pdf, kontuurkrundid |
| 10 | Ennustamine ja visualiseerimine | Tagumine tõenäosus, argmax |
| 10 | GaussianNB reaalmaailma andmekogumi kohta | Klassifitseerijate hindamine, täpsus |
Tunnustused
Inimkeskse tehisintellekti magistriprogrammi kaasfinantseeris Euroopa Liidu Ühendamise Rahastu toetusega CEF-TC-2020–1 „Digioskused 2020“-EU-IA-0068.