Verwaltungsinformationen
| Titel | Laborsitzung: SVMs und Kernels |
| Dauer | 2x45 |
| Modulen | A |
| Unterrichtstyp | Praktisch |
| Fokussierung | Praktisch – KI-Modellierung |
| Themenbereich | KI-Modellierung |
Suchbegriffe
Unterstützung Vektor-Maschine, Kernel-Funktion, RBF, Modellkomplexität,
Lernziele
- Um eine lineare SVM entwerfen und verwenden zu können
- Um Anzeigen entwerfen zu können, verwenden Sie eine nichtlineare SVM mit einem Kernel
- So entwerfen und optimieren Sie einen SVM (Cookbook-Ansatz)
Erwartete Vorbereitung
Lernveranstaltungen, die vorab abgeschlossen werden müssen
Obligatorisch für Studenten
- Überprüfung grundlegender Python.
- Überprüfung der Verwendung von scikit-learn-Modellen.
Optional für Studenten
Keine.
Referenzen und Hintergründe für Studierende
- Hands on Machine Learning mit Scikit-Learn und Tensorflow von Aurélién Géron
- Einführung in das maschinelle Lernen mit Python von Andreas C. Müller und Sarah Guido
- Udemy Kurs – Machine Learning – A Z von Kirill Eremenko und Hadelin de Ponteves
- Udemy Kurs – Feature Engineering für maschinelles Lernen von Soledad Galli
- Support-Vektor-Maschine auf 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/
Empfohlen für Lehrer
- Eine Übersicht darüber, wie die Pandas und Scikit-learn-Funktionen im Notebook parametrisiert werden.
Unterrichtsmaterialien
Anleitung für Lehrer
Diese Lernveranstaltung besteht aus Laboraufgaben, die von den Studierenden mit Hilfe des leitenden Ausbilders gelöst werden sollen.
Bereiten Sie eine Notebook-Umgebung mit numpy, matplotlib, sns und scikit-learn installiert.
Gliederung/Zeitplan
| Dauer (min) | Beschreibung | Konzepte |
|---|---|---|
| 5 | Kurzbeschreibung der durchzuführenden Aufgaben | |
| 25 | Datenexploration und Vorverarbeitung | Datenbeschreibung, fehlende Werte, Funktionsverteilungen, Ausreißererkennung |
| 30 | Passende SVM-Modelle | Datenskalierung, lineare SVM, RBF, Modellkomplexität |
| 30 | Modellbewertung | Hyperparameter-Optimierung, Underfitting, Überfitting, ROC-Kurve |
Danksagung
Das Human-Centered AI Masters-Programm wurde von der Fazilität „Connecting Europe“ der Europäischen Union im Rahmen des Zuschusses „CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068“ kofinanziert.