Informações administrativas
| Titulo | Palestra: SVMs e Kernels |
| Duração | 60 |
| Módulo | A |
| Tipo de aula | Palestra |
| Foco | Prático — Modelação de IA |
| Tópico | Modelização da IA |
Palavras-chave
classificador de margem máximo, vetor de apoio, truque do kernel,
Objetivos de aprendizagem
- Para saber o que é um vetor de suporte e como encontrá-lo em um espaço de recursos
- Para saber como funciona uma SVM linear
- Compreender o conceito de função do kernel no contexto da SVM
- Para saber como o truque do kernel permite executar a classificação não linear com SVM linear
Preparação prevista
Eventos de aprendizagem a serem concluídos antes
Obrigatório para os Estudantes
- Revisão da geometria analítica (por exemplo, distância de um ponto a um plano).
Facultativo para Estudantes
Nenhuma.
Referências e antecedentes para estudantes
- Bishop, Christopher M. (2006). Reconhecimento de padrões e aprendizagem automática, Capítulo 7
Recomendado para professores
- Familiarize-se com o material de demonstração.
Materiais das aulas
Instruções para os professores
Cobrir os tópicos no esboço da lição e demonstrar o efeito do parâmetro complexidade e do parâmetro RBF utilizando os blocos de notas interativos. Mostre um exemplo de subequipamento. Dê uma breve visão geral do código.
Calendário/horário
| Duração (min) | Descrição | Conceitos |
|---|---|---|
| 15 | Classificadores de margem máxima | espaço da característica, separação do hiperplano, margem, vetor de suporte |
| 10 | Formulação da margem mole | variáveis Slack, complexidade do modelo |
| 10 | Formulação e otimização duplas | Multiplicadores de Lagrange, problemas primários e duplos |
| 10 | Vetores de apoio e previsões | parâmetros duplos e vetores de apoio |
| 15 | Não-linearização e o truque do kernel | função do kernel |
Agradecimentos
O programa de mestrado em IA centrado no ser humano foi cofinanciado pelo Mecanismo Interligar a Europa da União Europeia ao abrigo de subvenções CEF-TC-2020-1 Competências Digitais 2020-EU-IA-0068.