Administrativní informace
| Název | Přednáška: SVM a jádra |
| Trvání | 60 |
| Modul | A |
| Typ lekce | Přednáška |
| Soustředění | Praktické – modelování umělé inteligence |
| Téma | Modelování umělé inteligence |
Klíčová slova
maximální margin klasifikátor, podpora vektor, trik jádra,
Vzdělávací cíle
- Chcete-li vědět, co je vektor podpory a jak jej najít v prostoru funkcí
- Chcete-li vědět, jak funguje lineární SVM
- Porozumět konceptu funkce jádra v kontextu SVM
- Chcete-li vědět, jak trik jádra umožňuje provádět nelineární klasifikaci s lineární SVM
Očekávaná příprava
Vzdělávací akce, které mají být dokončeny před
Povinné pro studenty
- Přehled analytické geometrie (např. vzdálenost bodu k rovině).
Volitelné pro studenty
Žádné.
Reference a zázemí pro studenty
- Biskup, Christopher M. (2006). Rozpoznávání vzorů a strojové učení, kapitola 7
Doporučeno pro učitele
- Seznamte se s demonstračním materiálem.
Materiály pro výuku
Pokyny pro učitele
Pokryjte témata v osnově lekce a demonstrujte efekt parametru složitosti a parametru RBF pomocí interaktivních poznámkových bloků. Ukažte příklad nedostatečného vybavení. Poskytněte stručný přehled kódu.
Osnova/časový rozvrh
| Doba trvání (min) | Popis | Koncepty |
|---|---|---|
| 15 | Klasifikátory maximální marže | funkce prostoru, oddělení hyperplane, okraj, podpora vektoru |
| 10 | Měkká marže formulace | Slackovy proměnné, složitost modelu |
| 10 | Duální formulace a optimalizace | Lagrange multiplikátory, primární a duální problémy |
| 10 | Podpora vektorů a předpovědí | duální parametry a podpůrné vektory |
| 15 | Nelinearizace a trik jádra | funkce jádra |
Potvrzení
Program Human-Centered AI Masters byl spolufinancován Nástrojem Evropské unie pro propojení Evropy v rámci grantu CEF-TC-2020–1 Digitální dovednosti 2020-EU-IA-0068.