Административна информация
| Дял | Лабораторна сесия: SVMs и Kernels |
| Продължителност | 2x45 |
| Модул | А |
| Вид на урока | Практичен |
| Фокус | Практическо — моделиране на ИИ |
| Тема | Моделиране на ИИ |
Ключови думи
поддръжка на векторна машина, функция на ядрото, RF, сложност на модела,
Учебни цели
- За да може да проектира и използва линеен SVM
- За да можете да проектирате реклама, използвайте нелинейна SVM, като използвате ядро
- За проектиране и оптимизиране на SVM (подход на кукичка)
Очаквана подготовка
Обучение на събития, които трябва да бъдат завършени преди
Задължително за студентите
- Преглед на основния Python.
- Преглед на използването на scikit-learn модели.
Незадължително за студенти
Няма.
Референции и фон за студенти
- Ръце на машинното обучение с Scikit-Learn и Tensorflow от Aurélién Géron
- Въведение в машинното обучение с Python от Андреас Мюлер и Сара Гуидо
- Udemy курс — машинно обучение — A Z от Kirill Eremenko и Hadelin de Ponteves
- Udemy разбира се — Функционално инженерство за машинно обучение от Соледад Гали
- Поддържаща векторна машина на уикипедия
- https://www.datacamp.com/community/tutorials/svm-classification-scikit-learn-python
- http://dataaspirant.com/2017/01/13/support-vector-machine-algorithm/
- https://www.ritchieng.com/machine-learning-evaluate-classification-model/
- https://en.wikipedia.org/wiki/Kernel_method
- https://en.wikipedia.org/wiki/Polynomial_kernel
- https://en.wikipedia.org/wiki/Radial_basis_function_kernel
- https://data-flair.training/blogs/svm-kernel-functions/
Препоръчва се за учители
- Преглед на начина, по който функциите на пандите и Scikit-Learn, използвани в преносимия компютър, са параметризирани.
Материали за уроци
Инструкции за учители
Това учебно събитие се състои от лабораторни задачи, които ще бъдат решени от студентите с помощта на водещия инструктор.
Подгответе тетрадка среда с нумичен, matplotlib, sns и scikit-learn инсталирани.
Описание/времеви график
| Продължителност (мин) | Описание | Концепции |
|---|---|---|
| 5 | Кратко описание на задачите, които трябва да бъдат изпълнени | |
| 25 | Проучване и предварителна обработка на данни | описание на данните, липсващи стойности, разпределения на характеристиките, откриване на отклонения |
| 30 | Монтаж на модели SVM | мащабиране на данни, линейно SVM, RBF, сложност на модела |
| 30 | Оценка на модела | оптимизация на хиперпараметъра, недооборудване, преоборудване, крива на ROC |
Потвърждения
Магистърската програма по ИИ, насочена към човека, беше съфинансирана от Механизма за свързване на Европа на Европейския съюз под формата на безвъзмездни средства № CEF-TC-2020—1 Digital Skills 2020-EU-IA-0068.