Upravne informacije
| Naslov | Predavanje: SVM-ji in jedrišča |
| Trajanje | 60 |
| Modul | A |
| Vrsta lekcije | Predavanje |
| Osredotočenost | Praktično – modeliranje umetne inteligence |
| Tema | Modeliranje umetne inteligence |
Ključne besede
največji robni klasifikator, podporni vektor, trik jedra,
Učni cilji
- Vedeti, kaj je podporni vektor in kako ga najti v funkcijskem prostoru
- Vedeti, kako deluje linearni SVM
- Razumevanje koncepta funkcije jedra v okviru SVM
- Vedeti, kako trik jedra omogoča izvajanje nelinearne klasifikacije z linearnim SVM
Pričakovana priprava
Učenje Dogodki, ki jih je treba dokončati pred
Obvezno za študente
- Pregled analitične geometrije (npr. razdalja točke do ravnine).
Neobvezno za študente
Nobenega.
Reference in ozadje za študente
- Škof, Christopher M. (2006). Prepoznavanje vzorcev in strojno učenje, poglavje 7
Priporočeno za učitelje
- Seznanite se z demonstracijskim materialom.
Gradivo za učne ure
Navodila za učitelje
Opišite teme v orisu lekcije in predstavite učinek parametra kompleksnosti in parametra RBF z uporabo interaktivnih zvezkov. Pokažite primer podopremljanja. Na kratko opišite kodo.
Oris/časovni razpored
| Trajanje (min) | Opis | Koncepti |
|---|---|---|
| 15 | Klasifikatorji maksimalnega praga | funkcija prostor, ločevanje hiperplane, rob, podporni vektor |
| 10 | Formulacija mehke marže | spremenljivke Slack, kompleksnost modela |
| 10 | Dvojna formulacija in optimizacija | Lagrange multiplikatorji, primarne in dvojne težave |
| 10 | Podpira vektorje in napovedi | dvojni parametri in podporni vektorji |
| 15 | Nelinearizacija in trik jedra | funkcija jedra |
Priznanja
Program Masters umetne inteligence, ki je bil vključen v človeka, je bil sofinanciran z instrumentom za povezovanje Evrope Evropske unije v okviru nepovratnih sredstev (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).