Административна информация
| Дял | Лекция: SVMs и Kernels |
| Продължителност | 60 |
| Модул | А |
| Вид на урока | Лекция |
| Фокус | Практическо — моделиране на ИИ |
| Тема | Моделиране на ИИ |
Ключови думи
максимален марджин класификатор, поддържащ вектор, трик на ядрото,
Учебни цели
- За да знаете какво е вектор за поддръжка и как да го намерите в пространство за функции
- За да знаете как работи линейният SVM
- Разбиране на концепцията за функция на ядрото в контекста на SVM
- За да знаете как трикът на ядрото позволява да се извърши нелинейна класификация с линеен SVM
Очаквана подготовка
Обучение на събития, които трябва да бъдат завършени преди
Задължително за студентите
- Преглед на аналитичната геометрия (напр. разстояние на точка до равнина).
Незадължително за студенти
Няма.
Референции и фон за студенти
- Бишъп, Кристофър М. (2006). Разпознаване на модели и машинно самообучение, глава 7
Препоръчва се за учители
- Запознайте се с демонстрационния материал.
Материали за уроци
Инструкции за учители
Покрийте темите в очертанията на урока и демонстрирайте ефекта от параметъра за сложност и параметъра RBF, като използвате интерактивните преносими компютри. Дайте пример за недооборудване. Направете кратък преглед на кода.
Описание/времеви график
| Продължителност (мин) | Описание | Концепции |
|---|---|---|
| 15 | Максимални класификатори на маржин | функционално пространство, разделяне на хиперплан, марж, вектор за поддръжка |
| 10 | Формулация с мек марджин | Slack променливи, сложност на модела |
| 10 | Двойна формулировка и оптимизация | Множители на Лагранж, първични и двойни проблеми |
| 10 | Поддържащи вектори и прогнози | двойни параметри и поддържащи вектори |
| 15 | Нелинеаризация и трик на ядрото | функция на ядрото |
Потвърждения
Магистърската програма по ИИ, насочена към човека, беше съфинансирана от Механизма за свързване на Европа на Европейския съюз под формата на безвъзмездни средства № CEF-TC-2020—1 Digital Skills 2020-EU-IA-0068.