After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Deskripsi Kursus
Kursus ini akan memperkenalkan sebuah pengklasifikasi yang kuat, support vector machine (SVM), menggunakan pendekatan intuitif dan visual. Support Vector Machines di R akan membantu Anda memahami model SVM sebagai pengklasifikasi dan memperoleh pengalaman praktis menggunakan implementasi libsvm di R dari paket e1071. Sepanjang kursus, Anda akan membangun pemahaman intuitif tentang konsep-konsep penting seperti hard dan soft margin, kernel trick, berbagai jenis kernel, serta cara menyesuaikan parameter SVM. Bersiaplah untuk mengklasifikasikan data dengan model yang mengesankan ini.
Prasyarat
Kurikulum
Garis besar kursus
1
Pengantar
Bab ini memperkenalkan beberapa konsep kunci support vector machine melalui contoh sederhana satu dimensi. Anda juga akan dipandu membuat himpunan data yang terpisah secara linear yang akan digunakan pada bab selanjutnya.
- Kandungan gula pada minuman ringan50 XP
- Memvisualisasikan himpunan data kadar gula100 XP
- Mengidentifikasi batas keputusan50 XP
- Temukan pemisah margin maksimal100 XP
- Visualisasikan pemisah margin maksimal100 XP
- Membuat himpunan data yang terpisahkan secara linear50 XP
- Bangun himpunan data 2D yang berdistribusi seragam.100 XP
- Buat batas keputusan100 XP
- Menambahkan margin pada himpunan data100 XP
2
Support Vector Classifier - Kernel Linear
Memperkenalkan konsep dasar support vector machine dengan menerapkan algoritma svm pada himpunan data yang terpisah secara linear. Konsep utama diilustrasikan melalui visualisasi ggplot yang dibangun dari keluaran algoritma, dan peran parameter cost disorot melalui contoh sederhana. Bab ini ditutup dengan bagian tentang bagaimana algoritma menangani masalah multikelas.
3
Kernel Polinomial
Memberikan pengantar terhadap kernel polinomial melalui himpunan data yang terpisah secara radial (memiliki batas keputusan melingkar). Setelah menunjukkan bahwa kernel linear tidak memadai untuk himpunan data ini, Anda akan melihat bagaimana transformasi sederhana membuat masalah tersebut terpisah secara linear, sehingga memotivasi pembahasan intuitif tentang kernel trick. Anda kemudian akan menerapkan kernel polinomial pada himpunan data dan menyetel pengklasifikasi yang dihasilkan.
4
Kernel Radial Basis Function
Membangun dari tiga bab sebelumnya dengan memperkenalkan kernel Radial Basis Function (RBF) yang sangat fleksibel. Anda akan membuat himpunan data "kompleks" yang menampilkan keterbatasan kernel polinomial. Lalu, setelah motivasi intuitif untuk kernel RBF, Anda akan melihat bagaimana kernel ini mengatasi kekurangan kernel lain yang dibahas dalam kursus ini.
R
Support Vector Machines di R
Kursus
Selesai
