Administrativne informacije
| Naslov | Predavanje: SVM-ovi i kerneli |
| Trajanje | 60 |
| Modul | A |
| Vrsta lekcija | Predavanje |
| Fokus | Praktično – modeliranje umjetne inteligencije |
| Tema | Modeliranje umjetne inteligencije |
Ključne riječi
klasifikator maksimalne marže, vektor potpore, trik jezgre,
Ciljevi učenja
- Znati što je vektor podrške i kako ga pronaći u prostoru značajki
- Znati kako funkcionira linearni SVM
- Razumjeti pojam funkcije jezgre u kontekstu SVM-a
- Znati kako kernel trik omogućuje izvođenje nelinearne klasifikacije s linearnim SVM-om
Očekivana priprema
Edukativni događaji koji će biti završeni prije
Obvezno za studente
- Pregled analitičke geometrije (npr. udaljenost točke do ravnine).
Neobvezno za studente
Nijedan.
Preporuke i pozadina za studente
- Bishop, Christopher M. (2006.). Prepoznavanje uzoraka i strojno učenje, poglavlje 7.
Preporučeno nastavnicima
- Upoznajte se s demonstracijskim materijalom.
Nastavni materijali
Upute za učitelje
Pokrijte teme u opisu nastave i pokažite učinak parametra složenosti i parametra RBF pomoću interaktivnih prijenosnih računala. Pokažite primjer neprilagođenosti. Dajte kratak pregled koda.
Nacrt/vremenski raspored
| Trajanje (min) | Opis | Koncepti |
|---|---|---|
| 15 | Najveći klasifikatori marže | značajka prostor, odvajanje hiperplane, margina, potporni vektor |
| 10 | Formulacija meke marže | promjenjive varijable, složenost modela |
| 10 | Dvostruka formulacija i optimizacija | Lagrange multiplikatori, primarni i dvostruki problemi |
| 10 | Potpora vektorima i predviđanjima | dvostruki parametri i potporni vektori |
| 15 | Nelinearizacija i trik jezgre | funkcija jezgre |
Priznanja
Diplomski studij umjetne inteligencije usmjeren na čovjeka sufinanciran je Instrumentom za povezivanje Europe Europske unije u okviru bespovratnih sredstava CEF-TC-2020 – 1 Digital Skills 2020-EU-IA-0068.