Upravne informacije
| Naslov | Laboratorijska seja: SVM-ji in jedrišča |
| Trajanje | 2x45 |
| Modul | A |
| Vrsta lekcije | Praktična |
| Osredotočenost | Praktično – modeliranje umetne inteligence |
| Tema | Modeliranje umetne inteligence |
Ključne besede
podpora vektorski stroj, funkcija jedra,RBF, kompleksnost modela,
Učni cilji
- Za načrtovanje in uporabo linearnega SVM
- Za oblikovanje oglasa uporabite nelinearni SVM z uporabo jedra
- Za oblikovanje in optimiranje SVM (kuhinjski pristop)
Pričakovana priprava
Učenje Dogodki, ki jih je treba dokončati pred
Obvezno za študente
- Pregled osnovnega Pythona.
- Pregled uporabe scikit-learn modelov.
Neobvezno za študente
Nobenega.
Reference in ozadje za študente
- Ročno strojno učenje s Scikit-Learn in Tensorflow Aurélién Géron
- Uvod v strojno učenje s Pythonom Andreas C. Müller in Sarah Guido
- Tečaj Udemy – strojno učenje – A Z Kirill Eremenko in Hadelin de Ponteves
- Udemy tečaj – Funkcija Inženiring za strojno učenje Soledad Galli
- Podpora-vektor stroj 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/
Priporočeno za učitelje
- Pregled, kako se pandas in scikit-učenje uporabljajo v prenosnem računalniku, so parametrizirani.
Gradivo za učne ure
Navodila za učitelje
Ta učni dogodek je sestavljen iz laboratorijskih nalog, ki jih študentje rešujejo s pomočjo vodilnega inštruktorja.
Pripravite zvezek okolje z numpy, matplotlib, sns in scikit-učenje nameščen.
Oris/časovni razpored
| Trajanje (min) | Opis | Koncepti |
|---|---|---|
| 5 | Povzetek nalog, ki jih je treba opraviti | |
| 25 | Raziskovanje in predobdelava podatkov | opis podatkov, manjkajoče vrednosti, porazdelitev funkcij, zaznavanje osamelcev |
| 30 | Opremljanje modelov SVM | luščenje podatkov, linearni SVM, RBF, kompleksnost modela |
| 30 | Vrednotenje modela | optimizacija hiperparametrov, podopremljanje, preopremljanje, krivulja ROC |
Priznanja
Program Masters umetne inteligence, ki je bil vključen v človeka, je bil sofinanciran z instrumentom za povezovanje Evrope Evropske unije v okviru nepovratnih sredstev (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).