Informacje administracyjne
| Tytuł | Sesja laboratoryjna: SVM i jądra |
| Czas trwania | 2x45 |
| Moduł | A |
| Rodzaj lekcji | Praktyczne |
| Skupienie | Praktyczne – modelowanie AI |
| Temat | Modelowanie sztucznej inteligencji |
Słowa kluczowe
obsługa maszyny wektorowej, funkcja jądra,RBF, złożoność modelu,
Cele w zakresie uczenia się
- Aby móc zaprojektować i użyć liniowego SVM
- Aby móc zaprojektować reklamę, użyj nieliniowego SVM, używając jądra
- Aby zaprojektować i zoptymalizować SVM (cookbook approach)
Oczekiwane przygotowanie
Wydarzenia edukacyjne, które należy ukończyć przed
Obowiązkowe dla studentów
- Przegląd podstawowego Pythona.
- Przegląd stosowania modeli scikit-learn.
Opcjonalne dla studentów
Brak.
Referencje i tło dla studentów
- Tytuł oryginału: Hands on Machine Learning with Scikit-Learn and Tensorflow – Aurélién Géron
- Wprowadzenie do uczenia maszynowego z Pythonem – Andreas C. Müller i Sarah Guido
- Kurs Udemy – Machine Learning – A Z Kirill Eremenko i Hadelin de Ponteves
- Kurs Udemy – Inżynieria funkcji do uczenia maszynowego przez Soledad Galli
- Maszyna wspomagająca wektor na wikipedii
- 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/
Zalecane dla nauczycieli
- Przegląd sposobu parametryzacji pand i funkcji scikit-learn używanych w notebooku.
Materiały do lekcji
Instrukcje dla nauczycieli
To wydarzenie edukacyjne składa się z zadań laboratoryjnych, które zostaną rozwiązane przez uczniów z pomocą wiodącego instruktora.
Przygotuj środowisko notebooka z zainstalowanym numpy, matplotlib, sns i scikit-learn.
Zarys/harmonogram czasu
| Czas trwania (min) | Opis | Koncepcje |
|---|---|---|
| 5 | Zwięzłe zadania, które należy wykonać | |
| 25 | Eksploracja i wstępne przetwarzanie danych | opis danych, brakujące wartości, rozkłady funkcji, wykrywanie wartości odległych |
| 30 | Dopasowanie modeli SVM | skalowanie danych, liniowe SVM, RBF, złożoność modelu |
| 30 | Ocena modelu | optymalizacja hiperparametru, niedopasowanie, overfitting, krzywa ROC |
Potwierdzenia
Program Masters zorientowany na człowieka został współfinansowany przez instrument „Łącząc Europę” Unii Europejskiej w ramach grantu CEF-TC-2020-1 Umiejętności cyfrowe 2020-EU-IA-0068.