Administrativ information
| Titel | Labbsession: SVM och Kernels |
| Varaktighet | 2x45 |
| Modul | A |
| Typ av lektion | Praktiskt |
| Fokus | Praktiskt – AI-modellering |
| Ämne | AI-modellering |
Nyckelord
stöd vektor maskin, kernel funktion,RBF, modell komplexitet,
Lärandemål
- För att kunna designa och använda en linjär SVM
- För att kunna designa en annons använda en icke-linjär SVM, med hjälp av en kärna
- För att designa och välja en SVM (cookbook-metod)
Förväntad förberedelse
Lärande händelser som ska slutföras innan
Obligatoriskt för studenter
- Genomgång av grundläggande Python.
- Översyn av att använda scikit-learn modeller.
Valfritt för studenter
Ingen.
Referenser och bakgrund för studenter
- Hands on Machine Learning med Scikit-Learn och Tensorflow av Aurélién Géron
- Introduktion till maskininlärning med Python av Andreas C. Müller och Sarah Guido
- Udemy kurs – Maskininlärning – A Z av Kirill Eremenko och Hadelin de Ponteves
- Udemy kurs – Funktionsteknik för maskininlärning av Soledad Galli
- Support-vektor maskin på 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/
Rekommenderas för lärare
- En översyn av hur pandor och scikit-learn-funktioner som används i anteckningsboken parametriseras.
Lektionsmaterial
Instruktioner för lärare
Denna inlärningshändelse består av laboratorieuppgifter som ska lösas av eleverna med hjälp av den ledande instruktören.
Förbered en anteckningsboksmiljö med numpy, matplotlib, sns och scikit-learn installerad.
Skiss/tidsschema
| Längd (min) | Beskrivning | Begrepp |
|---|---|---|
| 5 | Kort beskrivning av de uppgifter som ska utföras | |
| 25 | Undersökning och förbehandling av data | beskrivning av data, saknade värden, funktionsfördelningar, detektering av avvikande värden |
| 30 | Montering av SVM-modeller | dataskalning, linjär SVM, RBF, modellkomplexitet |
| 30 | Modellutvärdering | hyperparameteroptimering, undermontering, övermontering, ROC-kurva |
Erkännanden
Masterprogrammet Human-Centered AI har samfinansierats av Fonden för ett sammanlänkat Europa i Europeiska unionen inom ramen för Grant CEF-TC-2020–1 Digital Skills 2020 EU-IA-0068.