Adminisztratív információk
| Cím | Előadás: SVM-ek és Kernelek |
| Időtartam | 60 |
| Modul | A |
| Lecke típusa | Előadás |
| Fókusz | Praktikus – AI modellezés |
| Téma | AI modellezés |
Kulcsszó
maximális margóosztályozó, támogató vektor, kernel trükk,
Tanulási célok
- Tudni, mi a támogató vektor, és hogyan lehet megtalálni egy funkciótérben
- Tudni, hogyan működik a lineáris SVM
- A kernel függvény fogalmának megértése az SVM összefüggésében
- Ahhoz, hogy tudja, hogy a kernel trükk lehetővé teszi a nem lineáris osztályozás lineáris SVM
Várható előkészítés
Az előtt befejezendő tanulási események
Kötelező a diákok számára
- Az analitikus geometria áttekintése (pl. egy pont és egy sík távolsága).
Választható diákok számára
Egy sem.
Referenciák és háttér a diákok számára
- Püspök, Christopher M. (2006). Mintafelismerés és gépi tanulás, 7. fejezet
Ajánlott tanároknak
- Ismerkedjenek meg a bemutató anyaggal.
Utasítások tanároknak
Fedezze fel a tananyagban szereplő témákat, és mutassa be a komplexitási paraméter és az RBF paraméter hatását az interaktív jegyzetfüzetek segítségével. Mutasson példát az alulilleszkedésre. Adjon rövid áttekintést a kódról.
Vázlat/időterv
| Időtartam (perc) | Leírás | Fogalmak |
|---|---|---|
| 15 | Maximális tűréshatár-osztályozók | funkciótér, a hipersík szétválasztása, margó, támogató vektor |
| 10 | Lágymargin készítmény | Slack változók, modell komplexitás |
| 10 | Kettős megfogalmazás és optimalizálás | Lagrange szorzók, elsődleges és kettős problémák |
| 10 | Vektorok és előrejelzések támogatása | kettős paraméterek és támogató vektorok |
| 15 | Nem-linearizáció és a kernel trükk | kernel függvény |
Visszaigazolások
A Human-Centered AI Masters programot az Európai Unió Európai Hálózatfinanszírozási Eszköze (CEF-TC-2020–1 Digitális készségek 2020 EU-IA-0068) társfinanszírozta.