Administratieve informatie
| Titel | Tutorial: Gevolgtrekking en generalisatie |
| Looptijd | 60 |
| Module | A |
| Type les | Tutorial |
| Focus | Technisch — Stichtingen van AI |
| Onderwerp | Fundamenten van AI |
Sleutelwoorden
inductieve gevolgtrekking, Bayesiaanse gevolgtrekking, naïef Bayes,
Leerdoelen
- Leerlingen begrijpen het basisidee van inductieve gevolgtrekking,
- Leerlingen begrijpen de Bayesiaanse behandeling van gevolgtrekking en voorspelling,
- Leerlingen kunnen een Naive Bayesiaanse classifier trainen op real-world datasets.
Verwachte voorbereiding
Leren van gebeurtenissen die moeten worden voltooid voordat
Verplicht voor studenten
- Een overzicht van de waarschijnlijkheidstheorie, met name de regel van Bayes
Optioneel voor studenten
Geen.
Referenties en achtergronden voor studenten
- Bishop, Christopher M. (2006). Patroonherkenning en machine learning, hoofdstukken 1 en 2. Voor een kort overzicht van de waarschijnlijkheidstheorie, zie Paragraaf 1.2.
Aanbevolen voor docenten
Lesmateriaal
Instructies voor docenten
Bereid een Jupyter notebook omgeving voor met matplotlib, numpy, scipy en scikit-learn pakketten geïnstalleerd.
Overzicht/tijdschema
| Duur (min) | Omschrijving | Concepten |
|---|---|---|
| 25 | Inleiding tot Naive Bayesiaanse methoden | Bayes’ regel, naïeve aanname, Bayesiaanse gevolgtrekking, voorspelling |
| 5 | Het genereren van speelgoedgegevens | Gaussische verdeling, eerdere klasse waarschijnlijkheden, klasse voorwaardelijke dichtheden |
| 10 | Parameter inferentie en visualisatie | Multivariate Gaussian pdf, contour plots |
| 10 | Voorspelling en visualisatie | Achterste waarschijnlijkheden, argmax |
| 10 | GaussianNB op een real-world dataset | Evaluatie van classificaties, nauwkeurigheid |
Erkenningen
Het Human-Centered AI Masters-programma werd mede gefinancierd door de Connecting Europe Facility van de Europese Unie in het kader van de subsidie CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.