ये कोर्स करने के बाद, मैं पेशेवर विज़ुअलाइज़ेशन और डैशबोर्ड बनाने में आत्मविश्वास महसूस करता हूँ
Shoebur Rahmanप्रोक्योरमेंट विशेषज्ञ, Giz Bangladesh
कोर्स विवरण
यह कोर्स एक शक्तिशाली क्लासिफ़ायर, Support Vector Machine (SVM), को सहज और विज़ुअल तरीके से पेश करता है। R में Support Vector Machines आपको SVM मॉडल को एक क्लासिफ़ायर के रूप में समझने में मदद करेगा और R के e1071 पैकेज की libsvm इम्प्लीमेंटेशन के साथ व्यावहारिक अनुभव देगा। इस दौरान, आप हार्ड और सॉफ्ट मार्जिन, kernel trick, अलग-अलग प्रकार के kernels, और SVM पैरामीटर्स को ट्यून करने जैसे महत्वपूर्ण कॉन्सेप्ट्स को सहज रूप में समझेंगे। इस प्रभावशाली मॉडल के साथ डेटा को क्लासिफ़ाई करने के लिए तैयार हो जाइए।
पूर्वापेक्षाएँ
पाठ्यक्रम
कोर्स रूपरेखा
1
परिचय
यह अध्याय एक सरल 1-डायमेंशनल उदाहरण के माध्यम से support vector machines के कुछ मुख्य कॉन्सेप्ट्स से परिचय कराता है। साथ ही, शिक्षार्थियों को एक linearly separable डेटासेट बनाने की प्रक्रिया से भी गुजारा जाता है, जिसे अगले अध्याय में उपयोग किया जाएगा।
- सॉफ्ट ड्रिंक्स में शुगर की मात्रा50 XP
- शुगर कंटेंट डेटासेट का विज़ुअलाइज़ेशन100 XP
- निर्णय-सीमा पहचानना50 XP
- मैक्सिमल मार्जिन सेपरेटर खोजें100 XP
- मैक्सिमल मार्जिन सेपरेटर का विज़ुअलाइज़ेशन100 XP
- लाइनियरली सेपेरेबल डेटासेट बनाना50 XP
- एक 2D uniformly distributed डेटासेट जनरेट करें.100 XP
- एक decision boundary बनाएँ100 XP
- डेटासेट में एक मार्जिन जोड़ें100 XP
2
Support Vector Classifiers - Linear Kernels
यह अध्याय linearly separable डेटासेट पर svm एल्गोरिदम लागू करके support vector machines के बुनियादी कॉन्सेप्ट्स से परिचित कराता है। मुख्य विचारों को एल्गोरिदम के आउटपुट से बनी ggplot विज़ुअलाइज़ेशन्स के ज़रिए समझाया गया है और एक सरल उदाहरण से cost पैरामीटर की भूमिका को उजागर किया गया है। अंत में, अध्याय यह दिखाते हुए समाप्त होता है कि यह एल्गोरिदम multiclass समस्याओं से कैसे निपटता है।
3
Polynomial Kernels
यह अध्याय radially separable (अर्थात् जिसकी decision boundary गोलाकार होती है) डेटासेट के माध्यम से polynomial kernels का परिचय देता है। पहले यह दिखाया जाएगा कि इस डेटासेट के लिए linear kernels क्यों अपर्याप्त हैं, फिर एक सरल ट्रांसफ़ॉर्मेशन से समस्या को linearly separable बनाया जाएगा, जो kernel trick पर सहज चर्चा के लिए प्रेरित करता है। इसके बाद, आप डेटासेट पर polynomial kernel लागू करेंगे और बने हुए क्लासिफ़ायर को ट्यून करेंगे।
4
Radial Basis Function Kernels
पिछले तीन अध्यायों पर आगे बढ़ते हुए, यह अध्याय अत्यंत लचीले Radial Basis Function (RBF) kernel को प्रस्तुत करता है। आप एक "complex" डेटासेट बनाएँगे जो polynomial kernels की सीमाएँ उजागर करता है। फिर, RBF kernel की सहज प्रेरणा के बाद, आप देखेंगे कि यह इस कोर्स में चर्चा किए गए अन्य kernels की कमियों को कैसे दूर करता है।
R
R में Support Vector Machines
कोर्स
पूर्ण
