Administratívne informácie
| Názov | Laboratórne zasadnutie: SVM a jadrá |
| Trvanie | 2x45 |
| Modul | A |
| Druh lekcie | Praktické |
| Zameranie | Praktické – modelovanie umelej inteligencie |
| Téma | Modelovanie umelej inteligencie |
Kľúčové slová
podpora vektorového stroja, funkcia jadra, RBF, zložitosť modelu,
Vzdelávacie ciele
- Aby bolo možné navrhnúť a používať lineárny SVM
- Aby bolo možné navrhnúť reklamu pomocou nelineárneho SVM, pomocou jadra
- Navrhnúť a optimalizovať SVM (kookbookový prístup)
Očakávaná príprava
Naučte sa udalosti, ktoré treba dokončiť predtým
Povinné pre študentov
- Základné Python.
- Preskúmanie používania scikit-učiť modely.
Voliteľné pre študentov
Žiadne.
Referencie a zázemie pre študentov
- Hands on Machine Learning with Scikit-Learn and Tensorflow by Aurélién Géron Systémové Požiadavky
- Úvod do strojového učenia s Pythonom – Andreas C. Müller a Sarah Guido
- Kurz Udemy – strojové učenie – Z by Kirill Eremenko a Hadelin de Ponteves
- Udemy kurz – Funkčné inžinierstvo pre strojové učenie od Soledad Galli
- Podporný vektorový stroj 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/
Odporúčané pre učiteľov
- Prehľad o tom, ako sú parametrizované funkcie pandy a scikit-učenia používané v poznámkovom bloku.
Učebné materiály
Pokyny pre učiteľov
Táto vzdelávacia udalosť pozostáva z laboratórnych úloh, ktoré riešia študenti s pomocou vedúceho inštruktora.
Pripravte si prostredie notebooku s numpy, matplotlib, sns a scikit-učiť sa inštalovaný.
Prehľad/časový harmonogram
| Trvanie (min) | Popis | Koncepty |
|---|---|---|
| 5 | Stručné informácie o úlohách, ktoré sa majú vykonať | |
| 25 | Prieskum a predbežné spracovanie údajov | popis údajov, chýbajúce hodnoty, rozdelenie funkcií, mimoriadna detekcia |
| 30 | Montáž SVM modelov | škálovanie údajov, lineárne SVM, RBF, zložitosť modelu |
| 30 | Hodnotenie modelu | optimalizácia hyperparametra, podmontovanie, premontovanie, ROC krivka |
Uznania
Program Masters umelej inteligencie zameraný na človeka bol spolufinancovaný z Nástroja Európskej únie na prepájanie Európy v rámci grantu CEF-TC-2020 – 1 Digitálne zručnosti 2020-EU-IA-0068.