Hallinnolliset tiedot
| Otsikko | Opetusohjelma: Johtopäätös ja yleistyminen |
| Kesto | 60 |
| Moduuli | A |
| Oppitunnin tyyppi | Opetusohjelma |
| Keskittyminen | Tekninen – tekoälyn perusteet |
| Aihe | Tekoälyn perusteet |
Avainsanoja
induktiivinen johtopäätös, beyesialainen johtopäätös, naiivi Bayes,
Oppimistavoitteet
- Oppijat ymmärtävät induktiivisen päättelyn perusajatuksen,
- Oppijat ymmärtävät bayesilainen hoito johtopäätösten ja ennusteiden,
- Oppijat voivat kouluttaa Naive Bayesilainen luokitus reaalimaailman datajoukkoja.
Odotettu valmistelu
Oppimistapahtumat valmistuvat ennen
Pakollinen opiskelijoille
- Katsaus todennäköisyysteoriaan, erityisesti Bayesin sääntöön
Valinnainen opiskelijoille
Ei mitään.
Referenssejä ja taustaa opiskelijoille
- Piispa, Christopher M. (2006). Kuvioiden tunnistaminen ja koneoppiminen, luvut 1 ja 2. Lyhyt katsaus todennäköisyysteoriaan, ks. kohta 1.2.
Suositellaan opettajille
Oppituntimateriaalit
Ohjeita opettajille
Valmista Jupyter-kannettava ympäristö, jossa on matplotlib, numpy, scipy ja scikit-oppi-paketit.
Pääpiirteittäin/aika-aikataulu
| Kesto (min) | Kuvaus | Käsitteet |
|---|---|---|
| 25 | Johdatus Naive Bayesian menetelmiin | Bayesin sääntö, naiivi oletus, Bayesilainen johtopäätös, ennuste |
| 5 | Lelutietojen tuottaminen | Gaussin jakauma, aiemmat luokkatodennäköisyydet, luokan ehdolliset tiheydet |
| 10 | Parametrien johtopäätös ja visualisointi | Monimuuttuja Gaussian pdf, ääriviivat |
| 10 | Ennustaminen ja visualisointi | Posterioriset todennäköisyydet, argmax |
| 10 | GaussianNB reaalimaailman data-aineistosta | Luokittelijoiden arviointi, tarkkuus |
Tunnustukset
Human-Centered AI Masters -ohjelmaa rahoitettiin Euroopan unionin Verkkojen Eurooppa -välineestä (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).