Informacje administracyjne
| Tytuł | Wykład: SVM i jądra |
| Czas trwania | 60 |
| Moduł | A |
| Rodzaj lekcji | Wykład |
| Skupienie | Praktyczne – modelowanie AI |
| Temat | Modelowanie sztucznej inteligencji |
Słowa kluczowe
maksymalna klasyfikacja marginesów, wektor wsparcia, sztuczka jądra,
Cele w zakresie uczenia się
- Aby wiedzieć, czym jest wektor wsparcia i jak go znaleźć w przestrzeni funkcji
- Aby wiedzieć, jak działa liniowy SVM
- Zrozumienie pojęcia funkcji jądra w kontekście SVM
- Aby wiedzieć, w jaki sposób sztuczka jądra pozwala na przeprowadzenie klasyfikacji nieliniowej za pomocą liniowego SVM
Oczekiwane przygotowanie
Wydarzenia edukacyjne, które należy ukończyć przed
Obowiązkowe dla studentów
- Przegląd geometrii analitycznej (np. odległość punktu od płaszczyzny).
Opcjonalne dla studentów
Brak.
Referencje i tło dla studentów
- Bishop, Christopher M. (2006). Rozpoznawanie wzorców i uczenie maszynowe, rozdział 7
Zalecane dla nauczycieli
- Zapoznaj się z materiałem demonstracyjnym.
Materiały do lekcji
Instrukcje dla nauczycieli
Opowiedz o tematach w zarysu lekcji i zademonstruj efekt parametru złożoności i parametru RBF za pomocą interaktywnych notebooków. Pokaż przykład niedopasowania. Podaj krótki przegląd kodu.
Zarys/harmonogram czasu
| Czas trwania (min) | Opis | Koncepcje |
|---|---|---|
| 15 | Maksymalne klasyfikatory marginesu | funkcja przestrzeni, oddzielanie hiperpłaszczyzny, margines, wektor wsparcia |
| 10 | Formuła soft-margin | zmienne Slack, złożoność modelu |
| 10 | Podwójna formuła i optymalizacja | Mnożniki Lagrange, pierwotne i podwójne problemy |
| 10 | Wsparcie wektorów i prognoz | podwójne parametry i wektory wsparcia |
| 15 | Nielinearyzacja i sztuczka jądra | funkcja jądra |
Potwierdzenia
Program Masters zorientowany na człowieka został współfinansowany przez instrument „Łącząc Europę” Unii Europejskiej w ramach grantu CEF-TC-2020-1 Umiejętności cyfrowe 2020-EU-IA-0068.