Informações administrativas
| Titulo | Sessão do laboratório: SVMs e Kernels |
| Duração | 2x45 |
| Módulo | A |
| Tipo de aula | Prático |
| Foco | Prático — Modelação de IA |
| Tópico | Modelização da IA |
Palavras-chave
a máquina do vetor do apoio, a função do kernel, oRBF, a complexidade do modelo,
Objetivos de aprendizagem
- Para poder conceber e utilizar um SVM linear
- Para poder conceber um anúncio utilizar um SVM não linear, utilizando um kernel
- Conceber e optar por um SVM (abordagem de livros de cozinha)
Preparação prevista
Eventos de aprendizagem a serem concluídos antes
Obrigatório para os Estudantes
- Revisão do Python básico.
- Revisão da utilização de modelos scikit-learn.
Facultativo para Estudantes
Nenhuma.
Referências e antecedentes para estudantes
- Mãos na aprendizagem automática com Scikit-Learn e Tensorflow por Aurélién Géron
- Introdução à aprendizagem automática com Python, de Andreas C. Müller e Sarah Guido
- Curso Udemy — Aprendizagem de Máquina — A Z por Kirill Eremenko e Hadelin de Ponteves
- Curso de Udemy — Engenharia de Recursos para Aprendizagem de Máquinas por Soledad Galli
- Suporte-vetor máquina na 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/
Recomendado para professores
- Uma revisão de como as funções pandas e scikit-learn utilizadas no caderno são parametrizadas.
Materiais das aulas
Instruções para os professores
Este evento de aprendizagem consiste em tarefas laboratoriais que serão resolvidas pelos alunos com a ajuda do instrutor principal.
Prepare um ambiente portátil com numpy, matplotlib, sns e scikit-learn instalados.
Calendário/horário
| Duração (min) | Descrição | Conceitos |
|---|---|---|
| 5 | Breve das tarefas a serem realizadas | |
| 25 | Exploração e pré-processamento de dados | descrição dos dados, valores em falta, distribuições de recursos, deteção atípica |
| 30 | Montagem de modelos SVM | escala de dados, SVM linear, RBF, complexidade do modelo |
| 30 | Avaliação do modelo | otimização de hiperparâmetros, subequipamento, sobremontagem, curva ROC |
Agradecimentos
O programa de mestrado em IA centrado no ser humano foi cofinanciado pelo Mecanismo Interligar a Europa da União Europeia ao abrigo de subvenções CEF-TC-2020-1 Competências Digitais 2020-EU-IA-0068.