Administrativ information
| Titel | Handledning: Slutsats och generalisering |
| Varaktighet | 60 |
| Modul | A |
| Typ av lektion | Handledning |
| Fokus | Tekniska – Grunderna för AI |
| Ämne | Grunderna för AI |
Nyckelord
induktiv inferens, Bayesian inference, Naive Bayes,
Lärandemål
- Eleverna förstår den grundläggande idén om induktiv inferens,
- Eleverna förstår den Bayesiska behandlingen av inferens och förutsägelse,
- Eleverna kan träna en Naive Bayesian klassare på verkliga dataset.
Förväntad förberedelse
Lärande händelser som ska slutföras innan
Obligatoriskt för studenter
- En översyn av sannolikhetsteorin, särskilt Bayes regel
Valfritt för studenter
Ingen.
Referenser och bakgrund för studenter
- Biskop, Christopher M. (2006). Mönsterigenkänning och maskininlärning, kapitel 1 och 2. För en kort genomgång av sannolikhetsteorin, se avsnitt 1.2.
Rekommenderas för lärare
Lektionsmaterial
Instruktioner för lärare
Förbered en Jupyter anteckningsbok miljö med matplotlib, numpy, scipy och scikit-lära paket installerade.
Skiss/tidsschema
| Längd (min) | Beskrivning | Begrepp |
|---|---|---|
| 25 | Introduktion till Naive Bayesian-metoder | Bayes’ regel, naivt antagande, Bayesian inference, förutsägelse |
| 5 | Generera leksaksdata | Gaussisk fördelning, sannolikheter före klass, klassvillkorade densiteter |
| 10 | Parameterinferens och visualisering | Multivariat Gaussian pdf, kontur tomter |
| 10 | Förutsägelse och visualisering | Posterior sannolikheter, argmax |
| 10 | GaussianNB på en verklig datauppsättning | Utvärdering av klassificerare, noggrannhet |
Erkännanden
Masterprogrammet Human-Centered AI har samfinansierats av Fonden för ett sammanlänkat Europa i Europeiska unionen inom ramen för Grant CEF-TC-2020–1 Digital Skills 2020 EU-IA-0068.