Administratívne informácie
| Názov | Prednáška: SVM a jadrá |
| Trvanie | 60 |
| Modul | A |
| Druh lekcie | Prednáška |
| Zameranie | Praktické – modelovanie umelej inteligencie |
| Téma | Modelovanie umelej inteligencie |
Kľúčové slová
maximálny klasifikátor marže, podporný vektor, trik jadra,
Vzdelávacie ciele
- Vedieť, čo je podporný vektor a ako ho nájsť v priestore funkcie
- Ak chcete vedieť, ako lineárny SVM funguje
- Pochopiť koncept funkcie jadra v kontexte SVM
- Ak chcete vedieť, ako trik jadra umožňuje vykonávať ne lineárnu klasifikáciu s lineárnym SVM
Očakávaná príprava
Naučte sa udalosti, ktoré treba dokončiť predtým
Povinné pre študentov
- Preskúmanie analytickej geometrie (napr. vzdialenosť bodu od roviny).
Voliteľné pre študentov
Žiadne.
Referencie a zázemie pre študentov
- Biskup, Christopher M. (2006). Rozpoznávanie vzorov a strojové učenie, kapitola 7
Odporúčané pre učiteľov
- Zoznámiť sa s demonštračným materiálom.
Učebné materiály
Pokyny pre učiteľov
Zahrňte témy v náčrte lekcie a ukážte účinok parametra zložitosti a parametra RBF pomocou interaktívnych poznámkových blokov. Ukážte príklad nedostatočnej montáže. Stručný prehľad o kóde.
Prehľad/časový harmonogram
| Trvanie (min) | Popis | Koncepty |
|---|---|---|
| 15 | Klasifikátory maximálnych marží | funkcia priestor, oddeľovanie hyperplane, okraj, podpora vektor |
| 10 | Formulácia s mäkkou maržou | Slack premenné, zložitosť modelu |
| 10 | Duálna formulácia a optimalizácia | Lagrange multiplikátory, primárne a duálne problémy |
| 10 | Podpora vektorov a predpovedí | dvojité parametre a podporné vektory |
| 15 | Nelinearizácia a trik jadra | funkcia jadra |
Uznania
Program Masters umelej inteligencie zameraný na človeka bol spolufinancovaný z Nástroja Európskej únie na prepájanie Európy v rámci grantu CEF-TC-2020 – 1 Digitálne zručnosti 2020-EU-IA-0068.