Informations administratives
| Titre | Tutoriel: Inférence et généralisation |
| Durée | 60 |
| Module | A |
| Type de leçon | Tutoriel |
| Focus | Technique — Fondements de l’IA |
| Sujet | Fondements de l’IA |
Mots-clés
inférence inductive, inférence bayésienne, naïf Bayes,
Objectifs d’apprentissage
- Les apprenants comprennent l’idée de base de l’inférence inductive,
- Les apprenants comprennent le traitement bayésien de l’inférence et de la prédiction,
- Les apprenants peuvent former un classificateur naïf bayésien sur des ensembles de données du monde réel.
Préparation prévue
Événements d’apprentissage à compléter avant
Obligatoire pour les étudiants
- Une revue de la théorie des probabilités, en particulier la règle de Bayes
Optionnel pour les étudiants
Aucun.
Références et antécédents pour les étudiants
- Évêque, Christopher M. (2006). Reconnaissance des modèles et apprentissage automatique, chapitres 1 et 2. Pour un bref examen de la théorie des probabilités, voir la section 1.2.
Recommandé pour les enseignants
Matériel de leçon
Instructions pour les enseignants
Préparez un ordinateur portable Jupyter avec des paquets matplotlib, numpy, scipy et scikit-learn installés.
Esquisse/horaire
| Durée (min) | Description | Concepts |
|---|---|---|
| 25 | Introduction aux méthodes bayésiennes de Naive | Règle de Bayes, hypothèse naïve, inférence bayésienne, prédiction |
| 5 | Générer des données sur les jouets | Distribution gaussienne, probabilités de classe antérieures, densités conditionnelles de classe |
| 10 | Inférence et visualisation des paramètres | PDF gaussien multivarié, tracés de contour |
| 10 | Prédiction et visualisation | Probabilités postérieures, argmax |
| 10 | GaussianNB sur un ensemble de données du monde réel | Évaluation des classificateurs, précision |
Remerciements
Le programme de master IA centré sur l’humain a été cofinancé par le mécanisme pour l’interconnexion en Europe de l’Union européenne dans le cadre de la subvention CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.