[diese Seite im Wiki][Index][EN][BG][CS][DA][DE][EL][ES][ET][FI][FR][GA][HR][HU][IT][MT][NL][PL][PT][RO][SK][SL][SV]

Vortrag: SVMs und Kernels

Verwaltungsinformationen

Titel Vortrag: SVMs und Kernels
Dauer 60
Modulen A
Unterrichtstyp Vortrag
Fokussierung Praktisch – KI-Modellierung
Themenbereich KI-Modellierung

Suchbegriffe

maximaler Margin-Klassifikator, Unterstützungsvektor, Kerneltrick,

Lernziele

Erwartete Vorbereitung

Lernveranstaltungen, die vorab abgeschlossen werden müssen

Obligatorisch für Studenten

  • Überprüfung der analytischen Geometrie (z. B. Abstand eines Punkts zu einer Ebene).

Optional für Studenten

Keine.

Referenzen und Hintergründe für Studierende

  • Bischof, Christopher M. (2006). Mustererkennung und maschinelles Lernen, Kapitel 7

Empfohlen für Lehrer

  • Machen Sie sich mit dem Demonstrationsmaterial vertraut.

Unterrichtsmaterialien

Anleitung für Lehrer

Decken Sie die Themen in der Unterrichtsskizze ab und zeigen Sie anhand der interaktiven Notizbücher die Wirkung des Komplexitätsparameters und des RBF-Parameters. Zeigen Sie ein Beispiel für Underfitting. Geben Sie einen kurzen Überblick über den Code.

Gliederung/Zeitplan

Dauer (min) Beschreibung Konzepte
15 Klassifikatoren für maximale Margen Funktionsraum, Trennen von Hyperebene, Rand, Unterstützungsvektor
10 Soft-Margin-Formulierung Slack-Variablen, Modellkomplexität
10 Duale Formulierung und Optimierung Lagrange Multiplikatoren, Ur- und Doppelprobleme
10 Unterstützung von Vektoren und Vorhersagen duale Parameter und Unterstützungsvektoren
15 Nichtlinearisierung und der Kernel-Trick Kernel-Funktion

Danksagung

Das Human-Centered AI Masters-Programm wurde von der Fazilität „Connecting Europe“ der Europäischen Union im Rahmen des Zuschusses „CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068“ kofinanziert.