Informazioni amministrative
| Titolo | Tutorial: Inferenza e generalizzazione |
| Durata | 60 |
| Modulo | A |
| Tipo di lezione | Esercitazione |
| Focus | Tecnico — Fondamenti dell'IA |
| Argomento | Fondamenti dell'IA |
Parole chiave
inferenza induttiva, inferenza bayesiana, naive Bayes,
Obiettivi di apprendimento
- Gli studenti comprendono l'idea di base dell'inferenza induttiva,
- Gli studenti comprendono il trattamento bayesiano dell'inferenza e della previsione,
- Gli studenti possono formare un classificatore naive bayesiano su set di dati del mondo reale.
Preparazione prevista
Eventi di apprendimento da completare prima
Obbligatorio per gli studenti
- Una revisione della teoria della probabilità, in particolare la regola di Bayes
Facoltativo per gli studenti
Nessuno.
Referenze e background per gli studenti
- Vescovo, Christopher M. (2006). Riconoscimento dei modelli e apprendimento automatico, capitoli 1 e 2. Per una breve revisione della teoria della probabilità, cfr. sezione 1.2.
Consigliato per gli insegnanti
Materiale didattico
Istruzioni per gli insegnanti
Preparare un ambiente notebook Jupyter con pacchetti matplotlib, numpy, scipy e scikit-learn installati.
Schema/orario
| Durata (min) | Descrizione | Concetti |
|---|---|---|
| 25 | Introduzione ai metodi naive bayesiani | Regola di Bayes, ipotesi ingenua, inferenza bayesiana, previsione |
| 5 | Generazione di dati sui giocattoli | Distribuzione gaussiana, probabilità di classe precedenti, densità condizionali di classe |
| 10 | Inferenza e visualizzazione dei parametri | Multivariato gaussiano pdf, trame di contorno |
| 10 | Previsione e visualizzazione | Probabilità posteriori, argmax |
| 10 | GaussianNB su un set di dati del mondo reale | Valutazione dei classificatori, precisione |
Riconoscimenti
Il programma Human-Centered AI Masters è stato co-finanziato dal meccanismo per collegare l'Europa dell'Unione europea nell'ambito della sovvenzione CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.