Adminisztratív információk
| Cím | Laboratóriumi ülés: SVM-ek és Kernelek |
| Időtartam | 2x45 |
| Modul | A |
| Lecke típusa | Praktikus |
| Fókusz | Praktikus – AI modellezés |
| Téma | AI modellezés |
Kulcsszó
támogatás vektor gép,kernel funkció,RBF, modell komplexitás,
Tanulási célok
- Lineáris SVM tervezéséhez és használatához
- A hirdetés tervezéséhez nem lineáris SVM-et használjon, kernel használatával
- SVM tervezése és optimizálása (főzőkönyv-megközelítés)
Várható előkészítés
Az előtt befejezendő tanulási események
Kötelező a diákok számára
- Az alap Python áttekintése.
- A scikit-learn modellek használatának áttekintése.
Választható diákok számára
Egy sem.
Referenciák és háttér a diákok számára
- Kéz a gépi tanulás a Scikit-Learn és Tensorflow by Aurélién Géron
- Bevezetés a gépi tanulásba Pythonnal Andreas C. Müller és Sarah Guido
- Udemy tanfolyam – Gépi tanulás – A Z – Kirill Eremenko és Hadelin de Ponteves
- Udemy tanfolyam – Feature Engineering for Machine Learning by Soledad Galli
- Támogató-vektor gép wikipedián
- 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/
Ajánlott tanároknak
- A jegyzetfüzetben használt panda- és scikit-tanuló függvények paraméterezésének áttekintése.
Leckeanyagok
Utasítások tanároknak
Ez a tanulási esemény laboratóriumi feladatokból áll, amelyeket a hallgatók a vezető oktató segítségével oldanak meg.
Készítsen jegyzetfüzet-környezetet numpy, matplotlib, sns és scikit-tanulással telepítve.
Vázlat/időterv
| Időtartam (perc) | Leírás | Fogalmak |
|---|---|---|
| 5 | Az elvégzendő feladatok rövid ismertetése | |
| 25 | Adatfeltárás és előfeldolgozás | adatleírás, hiányzó értékek, funkcióeloszlások, kiugró észlelés |
| 30 | SVM modellek felszerelése | adatskálázás, lineáris SVM, RBF, modell összetettsége |
| 30 | Modellértékelés | hiperparaméter optimalizálás, alulillesztés, túlszerelés, ROC görbe |
Visszaigazolások
A Human-Centered AI Masters programot az Európai Unió Európai Hálózatfinanszírozási Eszköze (CEF-TC-2020–1 Digitális készségek 2020 EU-IA-0068) társfinanszírozta.