Hallinnolliset tiedot
| Otsikko | Laboratorio-istunto: SVM:t ja ytimet |
| Kesto | 2x45 |
| Moduuli | A |
| Oppitunnin tyyppi | Käytännöllinen |
| Keskittyminen | Käytännöllinen – AI Modelling |
| Aihe | Tekoälyn mallinnus |
Avainsanoja
tuki vektorikone, Kernel-toiminto, RBF, mallin monimutkaisuus,
Oppimistavoitteet
- Pystyä suunnittelemaan ja käyttämään lineaarista SVM:ää
- Voit suunnitella mainoksen käyttämällä epälineaarista SVM:ää ytimen avulla.
- SVM:n suunnitteleminen ja valitseminen (cookbook-lähestymistapa)
Odotettu valmistelu
Oppimistapahtumat valmistuvat ennen
Pakollinen opiskelijoille
- Katsaus peruspythoniin.
- Katsaus scikit-oppimismallien käyttöön.
Valinnainen opiskelijoille
Ei mitään.
Referenssejä ja taustaa opiskelijoille
- Hands on Machine Learning with Scikit-Learn and Tensorflow Näytä tarkat tiedot
- Johdanto koneoppimiseen Pythonin kanssa Andreas C. Müller ja Sarah Guido
- Udemy-kurssi – Koneoppiminen – Kirill Eremenkon ja Hadelin de Pontevesin koneoppiminen
- Udemy kurssi – Ominaisuustekniikka koneoppimiseen Soledad Galli
- Tuki-vektorikone wikipediassa
- 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/
Suositellaan opettajille
- Katsaus siihen, miten muistikirjassa käytetyt pandat ja scikit-oppi-toiminnot parametroidaan.
Oppituntimateriaalit
Ohjeita opettajille
Tämä oppimistapahtuma koostuu laboratoriotehtävistä, jotka opiskelijoiden on ratkaistava johtavan ohjaajan avulla.
Valmista kannettava ympäristö, jossa on numpy, matplotlib, sns ja scikit-oppi.
Pääpiirteittäin/aika-aikataulu
| Kesto (min) | Kuvaus | Käsitteet |
|---|---|---|
| 5 | Selvitys suoritettavista tehtävistä | |
| 25 | Tietojen etsintä ja esikäsittely | tietojen kuvaus, puuttuvat arvot, ominaisuuksien jakaumat, poikkeava havaitseminen |
| 30 | SVM-mallien asentaminen | tietojen skaalaus, lineaarinen SVM, RBF, mallin monimutkaisuus |
| 30 | Mallin arviointi | hyperparametrien optimointi, aliasennus, yliasennus, ROC-käyrä |
Tunnustukset
Human-Centered AI Masters -ohjelmaa rahoitettiin Euroopan unionin Verkkojen Eurooppa -välineestä (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).