Adminisztratív információk
| Cím | Oktatóanyag: Következtetés és általánosítás |
| Időtartam | 60 |
| Modul | A |
| Lecke típusa | Bemutató |
| Fókusz | Technikai – A mesterséges intelligencia alapjai |
| Téma | A mesterséges intelligencia alapjai |
Kulcsszó
induktív következtetés,Baye-i következtetés,naive Bayes,
Tanulási célok
- A tanulók megértik az induktív következtetés alapgondolatát,
- A tanulók megértik a Bayes-féle következtetést és előrejelzést,
- A tanulók egy Naive Bayes-i osztályozót képezhetnek a valós adatkészletekre.
Várható előkészítés
Az előtt befejezendő tanulási események
Kötelező a diákok számára
- A valószínűségelmélet áttekintése, különösen a Bayes-szabály
Választható diákok számára
Egy sem.
Referenciák és háttér a diákok számára
- Püspök, Christopher M. (2006). Mintafelismerés és gépi tanulás, 1. és 2. fejezet. A valószínűségelmélet rövid áttekintését lásd az 1.2. szakaszban.
Ajánlott tanároknak
Leckeanyagok
Utasítások tanároknak
Készítsen Jupyter notebook környezetet matplotlib, numpy, scipy és scikit-learn csomagok telepítve.
Vázlat/időterv
| Időtartam (perc) | Leírás | Fogalmak |
|---|---|---|
| 25 | Bevezetés a Naive Bayes-módszerekbe | Bayes szabálya, naiv feltételezés, Bayes-i következtetés, előrejelzés |
| 5 | Játékadatok generálása | Gauss-eloszlás, korábbi osztály valószínűségek, osztály feltételes sűrűségek |
| 10 | Paraméter-következtetés és vizualizáció | Többváltozós Gaussian pdf, kontúrrajzok |
| 10 | Előrejelzés és vizualizáció | Hátsó valószínűségek, argmax |
| 10 | GaussianNB egy valós adatbázisban | Az osztályozók értékelése, pontosság |
Visszaigazolások
A Human-Centered AI Masters programot az Európai Unió Európai Hálózatfinanszírozási Eszköze (CEF-TC-2020–1 Digitális készségek 2020 EU-IA-0068) társfinanszírozta.