Lecture: Linear Regression

Lecture: Linear Regression

Administrative information

Title Linear Regression
Duration 60
Module A
Lesson Type Lecture
Focus Practical - AI Modelling
Topic Linear Regression

 

Keywords

linear regression, maximum likelihood, maximum a posteriori, basis functions,

 

Learning Goals

  • To acquire demonstrable knowledge of what linear regression is
  • To acquire demonstrable knowledge of the various approaches to linear regression: maximum likelihood estimation (MLE), maximum a-posteriori estimation (MAP), Bayesian
  • To acquire demonstrable knowledge of analytical closed form for fitting a linear regression model
  • To acquire demonstrable knowledge of non-linearizing linear models

 

Expected Preparation

Learning Events to be Completed Before

Obligatory for Students

  • A review of basic linear algebra and solving linear systems numerically.

Optional for Students

None.

References and background for students:

  • Bishop, Christopher M. (2006). Pattern recognition and machine learning, Chapter 3.

Recommended for Teachers

  • Familiarize themselves with the demonstration material.

Lesson Materials

 

The materials of this learning event are available under CC BY-NC-SA 4.0.

 

Instructions for Teachers

Cover the topics in the lesson outline and demonstrate the concepts using the interactive notebooks (fitting a model "manually", demonstrating the effects of the hyperparameters). Give a brief overview of the code.

Outline/time schedule

 
Duration (min) Description Concepts
5 Introduction to linear regression hyperplane, normal, bias
5 Defining a linear regression model additive noise, Gaussian distribution
15 Maximum likelihood estimation squared error, linear solvers
10 Nonlinear (polynomial) regression polynomial regression, transformation of samples
10 Maximum a posteriori estimation hyperparameter, prior, regularization, numerical stability
5 Bayesian linear regression posterior, uncertainty, predictive mean and variance
10 Demonstration  

 

More information

Click here for an overview of all lesson plans of the master human centred AI

Please visit the home page of the consortium HCAIM

Acknowledgements

The Human-Centered AI Masters programme was co-financed by the Connecting Europe Facility of the European Union Under Grant №CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.

The materials of this learning event are available under CC BY-NC-SA 4.0

 

The HCAIM consortium consists of three excellence centres, three SMEs and four Universities

HCAIM Consortium

Colofon

Het arrangement Lecture: Linear Regression is gemaakt met Wikiwijs van Kennisnet. Wikiwijs is hét onderwijsplatform waar je leermiddelen zoekt, maakt en deelt.

Auteur
HCAIM Consortium
Laatst gewijzigd
2024-05-15 11:02:41
Licentie

Dit lesmateriaal is gepubliceerd onder de Creative Commons Naamsvermelding-GelijkDelen 4.0 Internationale licentie. Dit houdt in dat je onder de voorwaarde van naamsvermelding en publicatie onder dezelfde licentie vrij bent om:

  • het werk te delen - te kopiëren, te verspreiden en door te geven via elk medium of bestandsformaat
  • het werk te bewerken - te remixen, te veranderen en afgeleide werken te maken
  • voor alle doeleinden, inclusief commerciële doeleinden.

Meer informatie over de CC Naamsvermelding-GelijkDelen 4.0 Internationale licentie.

Aanvullende informatie over dit lesmateriaal

Van dit lesmateriaal is de volgende aanvullende informatie beschikbaar:

Toelichting
.
Eindgebruiker
leerling/student
Moeilijkheidsgraad
gemiddeld
Studiebelasting
4 uur en 0 minuten

Gebruikte Wikiwijs Arrangementen

HCAIM Consortium. (z.d.).

Acknowledgement

https://maken.wikiwijs.nl/198386/Acknowledgement

HCAIM Consortium. (z.d.).

Lecture: Duty Ethics

https://maken.wikiwijs.nl/198966/Lecture__Duty_Ethics

Downloaden

Het volledige arrangement is in de onderstaande formaten te downloaden.

Metadata

LTI

Leeromgevingen die gebruik maken van LTI kunnen Wikiwijs arrangementen en toetsen afspelen en resultaten terugkoppelen. Hiervoor moet de leeromgeving wel bij Wikiwijs aangemeld zijn. Wil je gebruik maken van de LTI koppeling? Meld je aan via info@wikiwijs.nl met het verzoek om een LTI koppeling aan te gaan.

Maak je al gebruik van LTI? Gebruik dan de onderstaande Launch URL’s.

Arrangement

IMSCC package

Wil je de Launch URL’s niet los kopiëren, maar in één keer downloaden? Download dan de IMSCC package.

Meer informatie voor ontwikkelaars

Wikiwijs lesmateriaal kan worden gebruikt in een externe leeromgeving. Er kunnen koppelingen worden gemaakt en het lesmateriaal kan op verschillende manieren worden geëxporteerd. Meer informatie hierover kun je vinden op onze Developers Wiki.

close
Colofon
thumb  
gemaakt met Wikiwijs van kennisnet-logo
Lecture: Linear Regression
open