Hallinnolliset tiedot
| Otsikko | Luento: SVM:t ja ytimet |
| Kesto | 60 |
| Moduuli | A |
| Oppitunnin tyyppi | Luento |
| Keskittyminen | Käytännöllinen – AI Modelling |
| Aihe | Tekoälyn mallinnus |
Avainsanoja
Enimmäismarginaaliluokitus, tukivektori, ytimen temppu,
Oppimistavoitteet
- Tietää, mitä tukivektori on ja miten se löytyy ominaisuustilasta
- Tietää, miten lineaarinen SVM toimii
- Ydinfunktion käsitteen ymmärtäminen SVM:n yhteydessä
- Tietää, miten ytimen temppu mahdollistaa ei-lineaarisen luokituksen lineaarisella SVM: llä
Odotettu valmistelu
Oppimistapahtumat valmistuvat ennen
Pakollinen opiskelijoille
- Analyyttisen geometrian tarkastelu (esim. pisteen etäisyys tasoon).
Valinnainen opiskelijoille
Ei mitään.
Referenssejä ja taustaa opiskelijoille
- Piispa, Christopher M. (2006). Kuvioiden tunnistaminen ja koneoppiminen, luku 7
Suositellaan opettajille
- Tutustu esittelymateriaaliin.
Oppituntimateriaalit
Ohjeita opettajille
Tutustu oppitunnin pääpiirteisiin ja demonstroi monimutkaisuusparametrin ja RBF-parametrin vaikutusta interaktiivisten kannettavien tietokoneiden avulla. Näytä esimerkki alivarustelusta. Anna lyhyt yleiskatsaus koodiin.
Pääpiirteittäin/aika-aikataulu
| Kesto (min) | Kuvaus | Käsitteet |
|---|---|---|
| 15 | Enimmäismarginaaliluokittelijat | ominaisuus tilaa, erottaa hypertaso, margin, tukivektori |
| 10 | Pehmeän marginaalin formulaatio | Slack-muuttujat, mallin monimutkaisuus |
| 10 | Kaksoismuotoilu ja optimointi | Lagrange-kertoimet, alkukantaiset ja kaksoisongelmat |
| 10 | Tue vektoreita ja ennusteita | kaksi parametria ja tukivektorit |
| 15 | Ei-linearisaatio ja ytimen temppu | Ydintoiminto |
Tunnustukset
Human-Centered AI Masters -ohjelmaa rahoitettiin Euroopan unionin Verkkojen Eurooppa -välineestä (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).