Informacje administracyjne
| Tytuł | Poradnik: Wnioskowanie i uogólnienie |
| Czas trwania | 60 |
| Moduł | A |
| Rodzaj lekcji | Tutorial |
| Skupienie | Techniczne – podstawy sztucznej inteligencji |
| Temat | Podstawy AI |
Słowa kluczowe
indukcyjne wnioskowanie, bayesowski wniosek, naiwny Bayes,
Cele w zakresie uczenia się
- Uczniowie rozumieją podstawową ideę wnioskowania indukcyjnego,
- Uczniowie rozumieją Bayesowskie traktowanie wnioskowania i przewidywania,
- Uczniowie mogą szkolić klasyfikatora naiwnego Bayesa w rzeczywistych zbiorach danych.
Oczekiwane przygotowanie
Wydarzenia edukacyjne, które należy ukończyć przed
Obowiązkowe dla studentów
- Przegląd teorii prawdopodobieństwa, zwłaszcza zasady Bayesa
Opcjonalne dla studentów
Brak.
Referencje i tło dla studentów
- Bishop, Christopher M. (2006). Rozpoznawanie wzorców i uczenie maszynowe, rozdziały 1 i 2. Krótki przegląd teorii prawdopodobieństwa znajduje się w sekcji 1.2.
Zalecane dla nauczycieli
Materiały do lekcji
Instrukcje dla nauczycieli
Przygotuj środowisko notebooka Jupyter z zainstalowanymi pakietami matplotlib, numpy, scipy i scikit-learn.
Zarys/harmonogram czasu
| Czas trwania (min) | Opis | Koncepcje |
|---|---|---|
| 25 | Wprowadzenie do naiwnych metod bayesowskich | Zasada Bayesa, naiwne założenie, Bayesowski wniosek, przewidywanie |
| 5 | Generowanie danych o zabawkach | Rozkład Gaussa, wcześniejsze prawdopodobieństwo klasowe, gęstość warunkowa klasy |
| 10 | Wnioskowanie i wizualizacja parametrów | Wielowymiarowy Gaussian pdf, wykresy konturowe |
| 10 | Przewidywanie i wizualizacja | Prawdopodobieństwo tylne, argmax |
| 10 | GaussianNB na zbiorze danych w świecie rzeczywistym | Ocena klasyfikatorów, dokładność |
Potwierdzenia
Program Masters zorientowany na człowieka został współfinansowany przez instrument „Łącząc Europę” Unii Europejskiej w ramach grantu CEF-TC-2020-1 Umiejętności cyfrowe 2020-EU-IA-0068.