Administrativ information
| Titel | Föreläsning: SVM och Kernels |
| Varaktighet | 60 |
| Modul | A |
| Typ av lektion | Föreläsning |
| Fokus | Praktiskt – AI-modellering |
| Ämne | AI-modellering |
Nyckelord
maximal marginalklassare, stödvektor, kärntrick,
Lärandemål
- Att veta vad en stödvektor är och hur man hittar den i ett funktionsutrymme
- För att veta hur en linjär SVM fungerar
- Att förstå begreppet kärnfunktion i samband med SVM
- Att veta hur kärntricket gör det möjligt att utföra icke-linjär klassificering med linjär SVM
Förväntad förberedelse
Lärande händelser som ska slutföras innan
Obligatoriskt för studenter
- Granskning av analytisk geometri (t.ex. avståndet från en punkt till ett plan).
Valfritt för studenter
Ingen.
Referenser och bakgrund för studenter
- Biskop, Christopher M. (2006). Mönsterigenkänning och maskininlärning, kapitel 7
Rekommenderas för lärare
- Bekanta sig med demonstrationsmaterialet.
Lektionsmaterial
Instruktioner för lärare
Ta upp ämnena i lektionens kontur och visa effekten av komplexitetsparametern och RBF-parametern med hjälp av de interaktiva anteckningsböckerna. Visa ett exempel på undermontering. Ge en kort översikt över koden.
Skiss/tidsschema
| Längd (min) | Beskrivning | Begrepp |
|---|---|---|
| 15 | Högsta tillåtna marginalklassare | funktionsutrymme, separering av hyperplan, marginal, stödvektor |
| 10 | Mjuk marginalformulering | Slackvariabler, modellkomplexitet |
| 10 | Dubbel formulering och optimering | Lagrange multiplikatorer, primal och dubbla problem |
| 10 | Stöd vektorer och förutsägelser | dubbla parametrar och stödvektorer |
| 15 | Icke-linjärisering och kärntricket | kärnfunktion |
Erkännanden
Masterprogrammet Human-Centered AI har samfinansierats av Fonden för ett sammanlänkat Europa i Europeiska unionen inom ramen för Grant CEF-TC-2020–1 Digital Skills 2020 EU-IA-0068.