Administratieve informatie
| Titel | Lab sessie: SVM’s en Kernels |
| Looptijd | 2x45 |
| Module | A |
| Type les | Praktisch |
| Focus | Praktisch — AI-modellering |
| Onderwerp | AI-modellering |
Sleutelwoorden
steunvectormachine,kernelfunctie,RBF, modelcomplexiteit,
Leerdoelen
- Om een lineaire SVM te kunnen ontwerpen en gebruiken
- Om advertentie te kunnen ontwerpen gebruik een niet-lineaire SVM, met behulp van een kernel
- Een SVM ontwerpen en kiezen (cookbook aanpak)
Verwachte voorbereiding
Leren van gebeurtenissen die moeten worden voltooid voordat
Verplicht voor studenten
- Review van basis Python.
- Review van het gebruik van scikit-learn modellen.
Optioneel voor studenten
Geen.
Referenties en achtergronden voor studenten
- Hands on Machine Learning met Scikit-Learn en Tensorflow door Aurélién Géron
- Inleiding tot Machine Learning met Python door Andreas C. Müller en Sarah Guido
- Udemy cursus — Machine Learning — A Z van Kirill Eremenko en Hadelin de Ponteves
- Udemy cursus — Feature Engineering for Machine Learning door Soledad Galli
- Ondersteuning-vector machine op 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/
Aanbevolen voor docenten
- Een overzicht van hoe de panda’s en scikit-learn-functies in het notitieblok worden gebruikt, worden geparametereerd.
Lesmateriaal
Instructies voor docenten
Dit leerevenement bestaat uit laboratoriumtaken die door de studenten worden opgelost met de hulp van de leidende instructeur.
Bereid een notebookomgeving voor met numpy, matplotlib, sns en scikit-learn geïnstalleerd.
Overzicht/tijdschema
| Duur (min) | Omschrijving | Concepten |
|---|---|---|
| 5 | Beschrijving van de uit te voeren taken | |
| 25 | Exploratie en voorbewerking van gegevens | gegevensbeschrijving, ontbrekende waarden, functieverdelingen, uitschieterdetectie |
| 30 | Montage SVM-modellen | gegevensschalen, lineaire SVM, RBF, modelcomplexiteit |
| 30 | Modelevaluatie | hyperparameter optimalisatie, underfitting, overfitting, ROC curve |
Erkenningen
Het Human-Centered AI Masters-programma werd mede gefinancierd door de Connecting Europe Facility van de Europese Unie in het kader van de subsidie CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.