Administratieve informatie
| Titel | Lezing: SVM’s en Kernels |
| Looptijd | 60 |
| Module | A |
| Type les | Lezing |
| Focus | Praktisch — AI-modellering |
| Onderwerp | AI-modellering |
Sleutelwoorden
maximale marge classifier, ondersteuning vector, kernel truc,
Leerdoelen
- Om te weten wat een ondersteuningsvector is en hoe deze te vinden in een functieruimte
- Om te weten hoe een lineaire SVM werkt
- Om het concept van kernelfunctie in de context van SVM te begrijpen
- Om te weten hoe de kerneltruc het mogelijk maakt om niet-lineaire classificatie uit te voeren met lineaire SVM
Verwachte voorbereiding
Leren van gebeurtenissen die moeten worden voltooid voordat
Verplicht voor studenten
- Analyse van de analytische meetkunde (bv. afstand van een punt tot een vlak).
Optioneel voor studenten
Geen.
Referenties en achtergronden voor studenten
- Bishop, Christopher M. (2006). Patroonherkenning en machine learning, hoofdstuk 7
Aanbevolen voor docenten
- Maak kennis met het demonstratiemateriaal.
Lesmateriaal
Instructies voor docenten
Bedek de onderwerpen in het lesoverzicht en demonstreer het effect van de complexiteitsparameter en RBF-parameter met behulp van de interactieve notitieblokken. Toon een voorbeeld van underfitting. Geef een kort overzicht van de code.
Overzicht/tijdschema
| Duur (min) | Omschrijving | Concepten |
|---|---|---|
| 15 | Classificatoren voor maximale marges | functieruimte, het scheiden van hypervlak, marge, steunvector |
| 10 | Formulering met zachte marge | Slack-variabelen, complexiteit van het model |
| 10 | Dubbele formulering en optimalisatie | Lagrange multipliers, oer- en dubbele problemen |
| 10 | Ondersteuning van vectoren en voorspellingen | dubbele parameters en ondersteuningsvectoren |
| 15 | Niet-linearisatie en de kerneltruc | kernelfunctie |
Erkenningen
Het Human-Centered AI Masters-programma werd mede gefinancierd door de Connecting Europe Facility van de Europese Unie in het kader van de subsidie CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.