Alle lessen

Cursus

AI voor de 9e klas: Python en machinaal leren

Gebruik Python, NumPy en pandas om klassieke modellen voor machinaal leren te trainen en te evalueren.

Doe de lessen op volgorde. Aan het eind kun je Python schrijven met datastructuren en herbruikbare functies. Je kunt vectoren optellen, kansen berekenen, en het gemiddelde en de standaardafwijking vinden. Je kunt een tabel laden, opschonen en in een grafiek zetten met NumPy en pandas. Je kunt een lijn aan de data passen, classificeerders voor logistische regressie, beslissingsbomen en k naaste buren trainen, en data groeperen met k-means. Je kunt nauwkeurigheid, precisie en gevoeligheid berekenen, overaanpassing herkennen, een model met een eenvoudige basislijn vergelijken, en voorspellingen uit een milieudataset presenteren.

Zo gebruik je deze lessen

  • Begin bij de les met Doe dit. Ga verder als je de regel onder de titel zelf kunt doen.
  • Speel eerst de Spelletjes. Maak daarna de Toets. 8 van 10 goed om te halen. De Werkbladen zijn op papier. De antwoorden staan onderaan.
  • Elke les bouwt op de les ervoor. Houd aantekeningen bij elk experiment: wat je veranderde, wat er gebeurde, en waarom.
  • De code-lessen gebruiken Python in een gratis online notitieboek. Gebruik alleen AI-tools die je leraar goedkeurt. Leg code uit die AI voor je schrijft. Stop nooit persoonsgegevens in een dataset die je deelt.

Elke les heeft spelletjes, een toets en werkbladen.

0 van 36

Programmeren in Python

  1. 1SyntaxisherhalingSchrijf Python met variabelen, voorwaarden en lussen.
    • Gebruik variabelen, types en f-strings.
    • Schrijf blokken if, for en while.
    • Lees een traceback en verbeter de fout.
  2. 2DatastructurenKies tussen lijsten, tuples, sets en dictionaries.
    • Gebruik elke structuur voor de taak die het best past.
    • Schrijf list comprehensions en dictionary comprehensions.
    • Nest structuren om records te bewaren.
  3. 3Functies en modulesSchrijf en test herbruikbare functies.
    • Gebruik standaardargumenten en trefwoordargumenten.
    • Schrijf tests met assert.
    • Importeer je functies uit een module.
  4. 4DatascriptsSchrijf een script dat een tekstbestand opschoont.
    • Lees een bestand regel voor regel.
    • Herstel slechte rijen en sla lege over.
    • Schrijf de schone data naar een nieuw bestand.

Wiskunde voor machinaal leren

  1. 5VectorenTel vectoren op en vind de afstand tussen punten.
    • Geef een datapunt weer als vector.
    • Tel vectoren op en schaal ze.
    • Bereken de Euclidische afstand en het inproduct.
  2. 6KansBereken eenvoudige en voorwaardelijke kansen.
    • Bereken de kans van een gebeurtenis.
    • Bereken een voorwaardelijke kans uit een tabel.
    • Simuleer muntworpen om je antwoord te controleren.
  3. 7StatistiekVind het gemiddelde, de variantie en de standaardafwijking.
    • Bereken elk met de hand en in code.
    • Leg uit wat de standaardafwijking je vertelt.
    • Vergelijk 2 datasets op hun spreiding.
  4. 8Wiskunde-experimentenTeken data en beschrijf de spreiding.
    • Teken een histogram.
    • Teken een spreidingsdiagram.
    • Beschrijf het centrum, de spreiding en de uitschieters.

Datawetenschap

  1. 9NumPyReken op hele arrays met NumPy.
    • Maak arrays en verander hun vorm.
    • Gebruik gevectoriseerde bewerkingen in plaats van lussen.
    • Indexeer en slice arrays.
  2. 10pandasLaad, filter en groepeer een tabel met pandas.
    • Laad een CSV in een DataFrame.
    • Filter rijen en kies kolommen.
    • Groepeer en vat data samen.
  3. 11Data opschonenGa om met ontbrekende waarden en verkeerde types.
    • Vind ontbrekende waarden.
    • Vul ze aan of laat ze weg, en leg je keuze uit.
    • Verbeter verkeerde types en dubbele rijen.
  4. 12VisualisatieMaak grafieken die een vraag beantwoorden.
    • Kies de juiste grafiek voor de vraag.
    • Label de assen en voeg een titel toe.
    • Vind een misleidende grafiek en verbeter die.

Basis van machinaal leren

  1. 13Wat is machinaal lerenLeg uit hoe een model een patroon uit data leert.
    • Vergelijk regels schrijven en leren van data.
    • Definieer model, parameters en trainen.
    • Noem 3 echte toepassingen van machinaal leren.
  2. 14Begeleid en onbegeleidOnderscheid begeleide taken van onbegeleide taken.
    • Zeg dat begeleid leren labels gebruikt.
    • Zeg dat onbegeleid leren structuur vindt zonder labels.
    • Sorteer 10 taken in elke groep.
  3. 15De ML-workflowNoem de stappen van data naar een werkend model.
    • Zet de stappen op volgorde: vraag, data, kenmerken, train, evalueer, zet in.
    • Zeg wat er bij elke stap mis kan gaan.
    • Zeg waarom de stappen terugkomen.
  4. 16Vergelijk ML-takenKoppel problemen aan regressie, classificatie of clusteren.
    • Zeg wat elke taak voorspelt.
    • Koppel 10 problemen aan een taak.
    • Schrijf één probleem om als een andere taak.

Regressie

  1. 17Lineaire regressiePas een lijn aan de data.
    • Leg helling en snijpunt uit.
    • Pas een lijn aan met scikit-learn.
    • Teken de lijn over de data.
  2. 18KenmerkenKies en schaal kenmerken.
    • Gebruik meer dan één kenmerk.
    • Schaal kenmerken naar hetzelfde bereik.
    • Codeer een categorisch kenmerk.
  3. 19FoutMeet de fout met de gemiddelde kwadratische fout.
    • Bereken de residuen.
    • Bereken de gemiddelde kwadratische fout en de gemiddelde absolute fout.
    • Teken residuen om een patroon te vinden.
  4. 20Voorspel getallenTrain een regressiemodel en voorspel nieuwe waarden.
    • Train op een deel van de data.
    • Voorspel de rest.
    • Meld de fout in echte eenheden.

Classificatie

  1. 21Logistische regressieTrain een classificeerder met logistische regressie.
    • Leg uit hoe die een score in een kans verandert.
    • Train hem en voorspel kansen.
    • Verander de drempel en vergelijk.
  2. 22BeslissingsbomenTrain een beslissingsboom en lees de splitsingen.
    • Train een boom.
    • Teken en lees de splitsingen.
    • Beperk de diepte en vergelijk de scores.
  3. 23k naaste burenClassificeer met k naaste buren en kies k.
    • Leg uit hoe k naaste buren stemmen.
    • Probeer verschillende waarden van k.
    • Zeg waarom schalen uitmaakt voor k naaste buren.
  4. 24Train een classificeerderVergelijk 3 classificeerders op één dataset.
    • Train alle 3 op dezelfde splitsing.
    • Vergelijk hun scores.
    • Kies er één en leg uit waarom.

Onbegeleid leren

  1. 25GelijkenisMeet hoe sterk 2 steekproeven op elkaar lijken.
    • Gebruik Euclidische afstand.
    • Gebruik cosinusgelijkenis.
    • Vind de meest gelijkende items in een dataset.
  2. 26k-meansGroepeer data met k-means-clusteren.
    • Doorloop k-means met de hand.
    • Voer het uit in scikit-learn.
    • Teken de clusters.
  3. 27k kiezenGebruik de elleboogmethode om een aantal clusters te kiezen.
    • Voer k-means uit voor verschillende waarden van k.
    • Teken de elleboogcurve.
    • Controleer dat de clusters kloppen.
  4. 28Groepeer steekproevenCluster een dataset en beschrijf elke groep.
    • Cluster een echte dataset.
    • Vat elk cluster samen.
    • Geef elk cluster een naam.

Modelevaluatie

  1. 29Train- en testsplitSplits data en leg uit waarom.
    • Splits met train_test_split.
    • Gebruik een validatieset om af te stellen.
    • Gebruik kruisvalidatie.
  2. 30Nauwkeurigheid, precisie en gevoeligheidBereken nauwkeurigheid, precisie en gevoeligheid.
    • Maak een verwarringsmatrix.
    • Bereken elke maat daaruit.
    • Kies de maat die bij het probleem past.
  3. 31OveraanpassingHerken overaanpassing door trainingsscores en testscores te vergelijken.
    • Train een model met overaanpassing.
    • Teken trainingsscores en testscores.
    • Verminder de overaanpassing en vergelijk.
  4. 32BasislijnVergelijk een model met een eenvoudige basislijn.
    • Maak een basislijn die altijd het meest voorkomende antwoord gokt.
    • Vergelijk je model ermee.
    • Leg uit wanneer een model het niet waard is.

Project voor machinaal leren

  1. 33Kies een datasetKies een open milieudataset en een vraag.
    • Vind een open dataset over weer of luchtkwaliteit.
    • Schrijf een vraag die de dataset kan beantwoorden.
    • Kies regressie of classificatie.
  2. 34Voorbereiden en verkennenSchoon de data op en zet de hoofdpatronen in een grafiek.
    • Schoon de data op.
    • Zet 3 patronen in een grafiek.
    • Kies kenmerken.
  3. 35Train en vergelijkTrain 2 modellen en vergelijk ze met een basislijn.
    • Train 2 modellen.
    • Vergelijk ze met een basislijn.
    • Controleer op overaanpassing.
  4. 36Omgevingsomstandigheden voorspellenPresenteer resultaten, grenzen en volgende stappen.
    • Laat je resultaten en grafieken zien.
    • Leg de grenzen van het model uit.
    • Stel volgende stappen voor.