Informazioni amministrative
| Titolo | Sessione di laboratorio: SVM e Kernel |
| Durata | 2x45 |
| Modulo | A |
| Tipo di lezione | Pratico |
| Focus | Pratiche — AI Modelling |
| Argomento | Modellizzazione dell'IA |
Parole chiave
macchina vettoriale di supporto, funzione del kernel, RBF, complessità del modello,
Obiettivi di apprendimento
- Essere in grado di progettare e utilizzare un SVM lineare
- Per essere in grado di progettare annunci utilizzare un SVM non lineare, utilizzando un kernel
- Progettare e optizzare un SVM (approccio cookbook)
Preparazione prevista
Eventi di apprendimento da completare prima
Obbligatorio per gli studenti
- Recensione di Python di base.
- Revisione dell'utilizzo di modelli scikit-learn.
Facoltativo per gli studenti
Nessuno.
Referenze e background per gli studenti
- Hands on Machine Learning con Scikit-Learn e Tensorflow di Aurélién Géron
- Introduzione al Machine Learning con Python di Andreas C. Müller e Sarah Guido
- Corso Udemy — Machine Learning — A Z di Kirill Eremenko e Hadelin de Ponteves
- Corso Udemy — Feature Engineering for Machine Learning di Soledad Galli
- Macchina di supporto-vettore su 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/
Consigliato per gli insegnanti
- Una revisione di come i panda e le funzioni scikit-learn utilizzati nel notebook sono parametrizzati.
Materiale didattico
Istruzioni per gli insegnanti
Questo evento di apprendimento consiste in compiti di laboratorio che devono essere risolti dagli studenti con l'aiuto del principale istruttore.
Preparare un ambiente notebook con numpy, matplotlib, sns e scikit-learn installati.
Schema/orario
| Durata (min) | Descrizione | Concetti |
|---|---|---|
| 5 | Breve dei compiti da svolgere | |
| 25 | Esplorazione e preelaborazione dei dati | descrizione dei dati, valori mancanti, distribuzioni di funzionalità, rilevamento anomalo |
| 30 | Montaggio dei modelli SVM | scala dei dati, SVM lineare, RBF, complessità del modello |
| 30 | Valutazione del modello | ottimizzazione dell'iperparametro, sottofitting, overfitting, curva ROC |
Riconoscimenti
Il programma Human-Centered AI Masters è stato co-finanziato dal meccanismo per collegare l'Europa dell'Unione europea nell'ambito della sovvenzione CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.