Ενότητα 2 - Μάθημα 4: Επίλυση προβλημάτων με μοντέλα ML (μέρος 2)

Σε αυτό το μάθημα, οι εκπαιδευόμενοι θα συνεχίσουν να εφαρμόζουν τον κύκλο ζωής ενός έργου AI. Θα αρχίσουν να εκπαιδεύουν ένα μοντέλο μηχανικής μάθησης για να λύσουν ένα πρόβλημα της επιλογής τους και θα το δοκιμάσουν. Θα εξετάσουν τη σχέση μεταξύ των βαθμών εμπιστοσύνης, των κατωφλιών εμπιστοσύνης και της ακρίβειας στις προβλέψεις μοντέλων μηχανικής μάθησης. Τέλος, θα μετρήσουν την ακρίβεια των μοντέλων μηχανικής μάθησης (ML) τους.

Στόχοι μάθησης

  • Θα εφαρμόζουν τα στάδια «εκπαίδευσης» και «ελέγχου» σε ένα πραγματικό έργο μηχανικής μάθησης
  • Θα περιγράφουν τι είναι ένα κατώφλι εμπιστοσύνης και γιατί χρησιμοποιείται
  • Να παρουσιάζουν πώς μετριέται η ακρίβεια ενός μοντέλου ML

Βασικό λεξιλόγιο

Βαθμός εμπιστοσύνης, Κατώφλι εμπιστοσύνης, Ακρίβεια

Δομή μαθήματος

  • Δραστηριότητα 1: Στάδια του κύκλου ζωής του έργου
  • Δραστηριότητα 2: Εκπαιδεύστε το μοντέλο σας
  • Δραστηριότητα 3: Κατώφλια εμπιστοσύνης και ακρίβεια
  • Δραστηριότητα 4: Δοκιμάστε το μοντέλο σας
  • Προαιρετικά: Λυμένα παραδείγματα

Λήψη πόρων του μαθήματος

Για να κάνετε λήψη του σχεδίου μαθήματος, των διαφανειών και των δραστηριοτήτων, συνδεθείτε ή δημιουργήστε έναν δωρεάν λογαριασμό στο Raspberry Pi Foundation.
Στη συνέχεια, θα σας κάνουμε μερικές ερωτήσεις για να μας βοηθήσετε να καταλάβουμε πώς θα χρησιμοποιήσετε τους πόρους.