Administrative oplysninger
| Titel | Laboratoriemøde: SVM'er og Kernels |
| Varighed | 2x45 |
| Modul | A |
| Lektionstype | Praktisk |
| Fokus | Praktisk — modellering af kunstig intelligens |
| Emne | Modellering af kunstig intelligens |
Nøgleord
støtte vektor maskine, kernel funktion,RBF, model kompleksitet,
Læringsmål
- At være i stand til at designe og bruge en lineær SVM
- For at kunne designe annoncen skal du bruge en ikke-lineær SVM ved hjælp af en kerne
- At designe og vælge en SVM (cookbook-tilgang)
Forventet forberedelse
Læringsbegivenheder, der skal fuldføres før
Obligatorisk for studerende
- Gennemgang af grundlæggende Python.
- Gennemgang af brug af scikit-lære modeller.
Valgfrit for studerende
Ingen.
Referencer og baggrund for studerende
- Hands on Machine Learning med Scikit-Learn og Tensorflow af Aurélién Géron
- Introduktion til Machine Learning med Python af Andreas C. Müller og Sarah Guido
- Udemy kursus — Machine Learning — A Z af Kirill Eremenko og Hadelin de Ponteves
- Udemy kursus — Feature Engineering for Machine Learning af Soledad Galli
- Support-vektor maskine på wikipedia
- 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/
Anbefalet til lærerne
- En gennemgang af, hvordan de pandaer og scikit-lære funktioner, der anvendes i notesbogen er parameteriseret.
Undervisningsmaterialer
Instruktioner til lærerne
Denne læringsbegivenhed består af laboratorieopgaver, der skal løses af de studerende med hjælp fra den ledende instruktør.
Forbered et notesbogsmiljø med numpy, matplotlib, sns og scikit-lære installeret.
Oversigt/tidsplan
| Varighed (min) | Beskrivelse | Koncepter |
|---|---|---|
| 5 | Kort over de opgaver, der skal udføres | |
| 25 | Udforskning og forbehandling af data | databeskrivelse, manglende værdier, funktionsfordelinger, outlier-detektering |
| 30 | Montering af SVM-modeller | dataskalering, lineær SVM, RBF, modelkompleksitet |
| 30 | Modelevaluering | hyperparameteroptimering, undermontering, overmontering, ROC-kurve |
Anerkendelser
Programmet Human-Centered AI Masters blev samfinansieret af Connecting Europe-faciliteten i Den Europæiske Union under tilskud CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.