Διοικητικές πληροφορίες
| Τίτλος | Συνεδρίαση εργαστηρίου: SVM και πυρήνες |
| Διάρκεια | 2x45 |
| Ενότητα | Α |
| Είδος μαθήματος | Πρακτική |
| Εστίαση | Πρακτική — Μοντελοποίηση τεχνητής νοημοσύνης |
| Θέμα | Μοντελοποίηση τεχνητής νοημοσύνης |
Λέξεις-κλειδιά
διανυσματική μηχανή υποστήριξης, λειτουργία πυρήνων, πολυπλοκότητα προτύπων,
Μαθησιακοί στόχοι
- Για να είναι σε θέση να σχεδιάσει και να χρησιμοποιήσει ένα γραμμικό SVM
- Για να είστε σε θέση να σχεδιάσετε διαφήμιση χρησιμοποιώντας ένα μη γραμμικό SVM, χρησιμοποιώντας έναν πυρήνα
- Για να σχεδιάσετε και να βελτιστοποιήσετε ένα SVM (προσέγγιση βιβλίων μαγειρικής)
Αναμενόμενη προετοιμασία
Μαθησιακές εκδηλώσεις που πρέπει να ολοκληρωθούν πριν
Υποχρεωτικό για τους φοιτητές
- Αναθεώρηση της βασικής Python.
- Αναθεώρηση της χρήσης μοντέλων scikit-μάθετε.
Προαιρετικό για Φοιτητές
Καμία.
Αναφορές και υπόβαθρο για τους μαθητές
- Hands on Machine Learning με Scikit-Learn και Tensorflow από τον Aurélién Géron
- Εισαγωγή στη Μηχανική Μάθηση με την Python των Andreas C. Müller και Sarah Guido
- Μάθημα Udemy — Μηχανική Μάθηση — A Z των Kirill Eremenko και Hadelin de Ponteves
- Μάθημα Udemy — Μηχανική Χαρακτηριστικών για Μηχανική Μάθηση από Soledad Galli
- Μηχανή υποστήριξης-διανυσμάτων στη 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/
Συνιστάται για εκπαιδευτικούς
- Μια ανασκόπηση του τρόπου με τον οποίο τα πάντα και οι λειτουργίες scikit-μάθησης που χρησιμοποιούνται στο σημειωματάριο παραμετροποιούνται.
Υλικό μαθήματος
Οδηγίες για τους εκπαιδευτικούς
Αυτή η μαθησιακή εκδήλωση αποτελείται από εργαστηριακές εργασίες που θα επιλυθούν από τους μαθητές με τη βοήθεια του κορυφαίου εκπαιδευτή.
Προετοιμάστε ένα περιβάλλον σημειωματαρίου με numpy, matplotlib, sns και scikit-μάθημα εγκατεστημένο.
Σχεδιάγραμμα/χρονοδιάγραμμα
| Διάρκεια (ελάχ.) | Περιγραφή | Έννοιες |
|---|---|---|
| 5 | Συνοπτική παρουσίαση των καθηκόντων που πρέπει να εκτελεστούν | |
| 25 | Διερεύνηση και προεπεξεργασία δεδομένων | περιγραφή δεδομένων, ελλείπουσες τιμές, κατανομές χαρακτηριστικών, ανίχνευση ακραίων τιμών |
| 30 | Τοποθέτηση μοντέλων SVM | κλιμάκωση δεδομένων, γραμμική SVM, RBF, πολυπλοκότητα μοντέλων |
| 30 | ΑΞΙΟΛΟΓΗΣΗ ΥΠΟΔΕΙΓ | υπερπαράμετρος βελτιστοποίηση, χαμηλή προσαρμογή, overfitting, καμπύλη ROC |
Αναγνωρίσεις
Το πρόγραμμα Μάστερ τεχνητής νοημοσύνης με επίκεντρο τον άνθρωπο συγχρηματοδοτήθηκε από τον μηχανισμό «Συνδέοντας την Ευρώπη» της Ευρωπαϊκής Ένωσης στο πλαίσιο της επιχορήγησης CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.