Administrativní informace
| Název | Zasedání v laboratoři: SVM a jádra |
| Trvání | 2x45 |
| Modul | A |
| Typ lekce | Praktické |
| Soustředění | Praktické – modelování umělé inteligence |
| Téma | Modelování umělé inteligence |
Klíčová slova
podpora vektorového stroje, funkce jádra, RBF, složitost modelu,
Vzdělávací cíle
- Chcete-li být schopni navrhnout a používat lineární SVM
- Chcete-li být schopni navrhnout reklamu pomocí nelineárního SVM pomocí jádra
- Návrh a optimalizace SVM (cookbook přístup)
Očekávaná příprava
Vzdělávací akce, které mají být dokončeny před
Povinné pro studenty
- Přehled základního Pythonu.
- Přehled použití scikit-učení modelů.
Volitelné pro studenty
Žádné.
Reference a zázemí pro studenty
- Ruce na strojové učení s Scikit-Learn a Tensorflow od Aurélién Géron
- Úvod do strojového učení s Pythonem – Andreas C. Müller a Sarah Guido
- Kurz Udemy – Strojové učení – Z Kirilla Eremenka a Hadelina de Ponteves
- Kurz Udemy – Funkční inženýrství pro strojové učení Soledad Galli
- Podpora-vektorový stroj na wikipedii
- 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/
Doporučeno pro učitele
- Přehled toho, jak jsou parametrizovány funkce pandy a scikit-učení používané v notebooku.
Materiály pro výuku
Pokyny pro učitele
Tato vzdělávací akce se skládá z laboratorních úkolů, které budou řešeny studenty s pomocí vedoucího instruktora.
Připravte si prostředí notebooku s nainstalovanými numpy, matplotlib, sns a scikit-learn.
Osnova/časový rozvrh
| Doba trvání (min) | Popis | Koncepty |
|---|---|---|
| 5 | Stručné informace o úkolech, které mají být provedeny | |
| 25 | Průzkum a předzpracování dat | popis dat, chybějící hodnoty, distribuce funkcí, detekce odlehlých hodnot |
| 30 | Montáž modelů SVM | měřítko dat, lineární SVM, RBF, složitost modelu |
| 30 | Hodnocení modelu | optimalizace hyperparametrů, podmontování, převybavení, ROC křivka |
Potvrzení
Program Human-Centered AI Masters byl spolufinancován Nástrojem Evropské unie pro propojení Evropy v rámci grantu CEF-TC-2020–1 Digitální dovednosti 2020-EU-IA-0068.