Informații administrative
| Titlu | Prelegere: SVM și Kernels |
| Durată | 60 |
| Modulul | A |
| Tipul lecției | Prelegere |
| Focalizare | Practică – Modelarea IA |
| Subiect | Modelarea IA |
Cuvinte cheie
clasificator maxim de marjă, vector de sprijin, kernel trick,
Obiective de învățare
- Pentru a ști ce este un vector de sprijin și cum să-l găsiți într-un spațiu de caracteristică
- Pentru a ști cum funcționează un SVM liniar
- Pentru a înțelege conceptul de funcție kernel în contextul SVM
- Pentru a ști cum trucul nucleului permite efectuarea clasificării neliniare cu SVM liniar
Pregătirea preconizată
Evenimente de învățare care urmează să fie finalizate înainte
Obligatoriu pentru studenți
- Analiza geometriei analitice (de exemplu, distanța dintre un punct și un plan).
Opțional pentru studenți
Nici unul.
Referințe și context pentru studenți
- Bishop, Christopher M. (2006). Recunoașterea modelelor și învățarea automată, capitolul 7
Recomandat pentru profesori
- Familiarizați-vă cu materialul demonstrativ.
Materiale de lecție
Instrucțiuni pentru profesori
Acoperiți subiectele din schița lecției și demonstrați efectul parametrului complexității și parametrului RBF utilizând notebook-urile interactive. Arătați un exemplu de subadaptare. Oferă o scurtă prezentare generală a codului.
Schiță/program de timp
| Durată (min) | Descriere | Concepte |
|---|---|---|
| 15 | Clasificatori maximi ai marjei | spațiu caracteristică, separând hiperplanul, marja, vectorul de sprijin |
| 10 | Formulă cu marjă moale | variabile Slack, complexitatea modelului |
| 10 | Formulare duală și optimizare | Multiplicatori Lagrange, probleme primare și duale |
| 10 | Vectori de sprijin și predicții | parametri duali și vectori de sprijin |
| 15 | Neliniarizarea și trucul nucleului | funcția nucleului |
Confirmări
Programul de masterat AI centrat pe om a fost cofinantat de Mecanismul pentru interconectarea Europei al Uniunii Europene sub Grantul CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.