これらのコースを受講したことで、プロフェッショナルなビジュアライゼーションやダッシュボードを自信を持って作成できるようになりました
Shoebur Rahman調達スペシャリスト、Giz Bangladesh
コースの説明
このコースでは、直感的でビジュアルなアプローチを用いて、強力な分類器であるSupport Vector Machine (SVM) を紹介します。Rで学ぶSupport Vector Machinesでは、分類器としてのSVMモデルを理解し、e1071パッケージのlibsvm実装をRで実践的に使えるようになることを目指します。その過程で、ハードマージンとソフトマージン、カーネルトリック、さまざまな種類のカーネル、SVMパラメータのチューニング方法といった重要な概念を直感的に学びます。強力なモデルでデータを分類する準備を整えましょう。
前提条件
カリキュラム
コース概要
1
イントロダクション
この章では、単純な1次元の例を通して、Support Vector Machineの主要な概念を紹介します。次の章で使用する線形分離可能なデータセットの作成手順についても説明します。
2
サポートベクター分類器 ― 線形カーネル
線形分離可能なデータセットにsvmアルゴリズムを適用することで、Support Vector Machineの基本概念を紹介します。アルゴリズムの出力から作成したggplotの可視化を通じて重要な概念を示し、コストパラメータの役割をシンプルな例で強調します。章の最後では、このアルゴリズムが多クラス問題をどのように扱うかを解説します。
3
多項式カーネル
円形の決定境界をもつ放射状に分離可能なデータセットを用いて、多項式カーネルを導入します。まず線形カーネルがこのデータセットには不十分であることを示し、簡単な変換によって問題が線形分離可能になる様子を通じて、カーネルトリックの直感的な議論へとつなげます。続いて、多項式カーネルを適用して分類器を学習し、チューニングを行います。
4
RBF（Radial Basis Function）カーネル
これまでの3章を踏まえ、柔軟性の高いRadial Basis Function (RBF) カーネルを紹介します。まず、多項式カーネルの限界が現れる「複雑な」データセットを作成します。その後、RBFカーネルを導入する直感的な動機づけを行い、本コースで扱った他のカーネルの弱点をどのように克服するかを確認します。
R
Rで学ぶSupport Vector Machines
コース修了
