Lecture: Model Fitting and Optimization

Lecture: Model Fitting and Optimization

Administrative information

Title Model Fitting and Optimization
Duration 60
Module A
Lesson Type Lecture
Focus Technical - Foundations of AI
Topic Foundations of AI

 

Keywords

logistic regression, model fitting, optimization, gradient descent, Newton's method, numerical stability,

 

Learning Goals

  • To acquire demonstrable knowledge of what logistic regression is
  • To acquire demonstrable knowledge of ML inference in non-conjugate models via gradient descent
  • To acquire demonstrable knowledge on the design and implementation of gradient-based optimization algorithms

 

Expected Preparation

Learning Events to be Completed Before

Obligatory for Students

  • Review the basics of Bayesian inference and maximum likelihood
  • Review elementary vector calculus

Optional for Students

None.

References and background for students:

None.

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 notebook (relationship between the number of iterations, loss value and decision boundary, show various algorithms and the effect of the learning rate). Give a brief overview of the code.

Outline/time schedule

Duration (min) Description Concepts
5 Introduction to linear classification binary classification, decision boundary
15 Defining a logistic regression model class-conditional density, sigmoid function, logistic regression
15 Maximum likelihood estimation binary crossentropy, learning rate, gradient descent
10 Implementation details and numerical stability numerical stability, overflow
10 Advanced algorithms Newton's method, line search
5 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

  • Het arrangement Lecture: Model Fitting and Optimization 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 11:03:04
    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.

  • Gebruik
    Weergave
  • Wikiwijs is een dienst van