Haldusteave
| Ametinimetus | Laboratooriumi töösessioon: SVMs ja Kernels |
| Kestus | 2x45 |
| Moodul | A |
| Õppetunni liik | Praktiline |
| Keskendumine | Praktiline – tehisintellekti modelleerimine |
| Teema | Tehisintellekti modelleerimine |
Võtmesõnad
tugi vektor masin,kernel funktsioon,RBF, mudel keerukus,
Õpieesmärgid
- Lineaarse SVM-i projekteerimiseks ja kasutamiseks
- Reklaami kujundamiseks kasutage mittelineaarset SVM-i, kasutades tuuma
- Kujundada ja optimeerida SVM (kookbook lähenemine)
Eeldatav ettevalmistamine
Õppeüritused, mis tuleb lõpetada enne
Kohustuslik õpilastele
- Põhiline Python.
- Ülevaade scikit-learn mudelite kasutamisest.
Valikuline õpilastele
Puudub.
Viited ja taust õpilastele
- „Käed masinõppele Scikit-õppe ja Tensorflow’iga“ – Aurélién Géron
- Sissejuhatus masinõppesse Pythoniga Andreas C. Müller ja Sarah Guido
- Udemy kursus – masinõpe – Kirill Eremenko ja Hadelin de Ponteves’i Z
- Udemy muidugi – Funktsioonitehnika Machine Learning poolt Soledad Galli
- Tugivektor masin wikipedias
- 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/
Soovitatav õpetajatele
- Ülevaade sellest, kuidas sülearvutis kasutatavad pandad ja scikit-learn funktsioonid on parameetrid.
Õppematerjalid
Juhised õpetajatele
See õppeüritus koosneb laboratoorsetest ülesannetest, mille õpilased lahendavad juhtiva instruktori abiga.
Valmistage sülearvuti keskkond numpy, matplotlib, sns ja scikit-learn paigaldatud.
Ülevaade/ajakava
| Kestus (min) | Kirjeldus | Mõisted |
|---|---|---|
| 5 | Ülevaade täidetavatest ülesannetest | |
| 25 | Andmete uurimine ja eeltöötlemine | andmete kirjeldus, puuduvad väärtused, funktsioonide jaotus, võõrväärtuste tuvastamine |
| 30 | SVM-mudelite paigaldamine | andmete skaleerimine, lineaarne SVM, RBF, mudeli keerukus |
| 30 | Mudeli hindamine | hüperparameetri optimeerimine, alapaigaldamine, ülepaigaldamine, ROC kõver |
Tunnustused
Inimkeskse tehisintellekti magistriprogrammi kaasfinantseeris Euroopa Liidu Ühendamise Rahastu toetusega CEF-TC-2020–1 „Digioskused 2020“-EU-IA-0068.