Administrativne informacije
| Naslov | Sjednica laboratorija: SVM-ovi i kerneli |
| Trajanje | 2x45 |
| Modul | A |
| Vrsta lekcija | Praktičan |
| Fokus | Praktično – modeliranje umjetne inteligencije |
| Tema | Modeliranje umjetne inteligencije |
Ključne riječi
potporni vektorski stroj, funkcija jezgre, RBF, složenost modela,
Ciljevi učenja
- Kako bi mogli dizajnirati i koristiti linearni SVM
- Kako biste mogli dizajnirati oglas pomoću nelinearnog SVM-a, koristeći jezgru
- Dizajniranje i optimizacija SVM-a (pristup kuhanja)
Očekivana priprema
Edukativni događaji koji će biti završeni prije
Obvezno za studente
- Pregled osnovnog Pythona.
- Pregled korištenja scikit-naučenih modela.
Neobvezno za studente
Nijedan.
Preporuke i pozadina za studente
- Ruke na strojno učenje sa Scikit-Learn i Tensorflow, Aurélién Géron
- Uvod u strojno učenje s Pythonom, Andreas C. Müller i Sarah Guido
- Udemy tečaj – Strojno učenje – Z Kirilla Eremenko i Hadelin de Ponteves
- Udemy tečaj – Značajno inženjerstvo za strojno učenje po Soledad Galli
- Podrška-vektor stroj na wikipediji
- 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/
Preporučeno nastavnicima
- Pregled kako se parametariziraju funkcije panda i učenja skekita koje se koriste u prijenosnom računalu.
Nastavni materijali
Upute za učitelje
Ovaj obrazovni događaj sastoji se od laboratorijskih zadataka koje će učenici riješiti uz pomoć vodećeg instruktora.
Pripremite okruženje za prijenosno računalo s ugrađenim numpy, matplotlib, sns i scikit-učenjem.
Nacrt/vremenski raspored
| Trajanje (min) | Opis | Koncepti |
|---|---|---|
| 5 | Ukratko o zadaćama koje treba obaviti | |
| 25 | Istraživanje i predobrada podataka | opis podataka, vrijednosti koje nedostaju, raspodjele značajki, otkrivanje netipičnih vrijednosti |
| 30 | Ugradnja SVM modela | skaliranje podataka, linearni SVM, RBF, složenost modela |
| 30 | Procjena modela | optimizacija hiperparametara, nedovoljna ugradnja, prenamjena, krivulja ROC-a |
Priznanja
Diplomski studij umjetne inteligencije usmjeren na čovjeka sufinanciran je Instrumentom za povezivanje Europe Europske unije u okviru bespovratnih sredstava CEF-TC-2020 – 1 Digital Skills 2020-EU-IA-0068.