After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Cursusbeschrijving
Deze cursus introduceert een krachtige classifier, de support vector machine (SVM), met een intuïtieve, visuele aanpak. Support Vector Machines in R helpt je om het SVM-model als classifier te begrijpen en praktische ervaring op te doen met R’s libsvm-implementatie uit het e1071-pakket. Onderweg krijg je een intuïtief begrip van belangrijke concepten zoals harde en zachte marges, de kernel-truc, verschillende soorten kernels en hoe je SVM-parameters afstemt. Ga aan de slag met het classificeren van data met dit indrukwekkende model.
Vereisten
Curriculum
Cursusoverzicht
1
Introductie
Dit hoofdstuk introduceert enkele kernconcepten van support vector machines aan de hand van een eenvoudig eendimensionaal voorbeeld. Je maakt ook stap voor stap een lineair scheidbare gegevensset aan die in het volgende hoofdstuk wordt gebruikt.
- Suikergehalte van frisdranken50 XP
- Een gegevensset met suikergehalte visualiseren100 XP
- Beslissingsgrenzen herkennen50 XP
- Zoek de scheider met maximale marge100 XP
- Visualiseer de maximalemarge-scheider100 XP
- Een lineair te scheiden gegevensset genereren50 XP
- Genereer een 2D uniform verdeelde gegevensset.100 XP
- Maak een beslissingsgrens100 XP
- Voeg een marge toe aan de gegevensset100 XP
2
Support Vector Classifiers - lineaire kernels
Maakt je vertrouwd met de basisconcepten van support vector machines door het svm-algoritme toe te passen op een lineair scheidbare gegevensset. Belangrijke concepten worden geïllustreerd met ggplot-visualisaties die zijn opgebouwd uit de resultaten van het algoritme, en de rol van de cost-parameter wordt uitgelicht met een eenvoudig voorbeeld. Het hoofdstuk sluit af met een sectie over hoe het algoritme met multiclass-problemen omgaat.
3
Polynomiale kernels
Biedt een introductie tot polynomiale kernels via een radiaal scheidbare gegevensset (dus met een cirkelvormige beslissingsgrens). Nadat is laten zien dat lineaire kernels voor deze gegevensset tekortschieten, zie je hoe een eenvoudige transformatie het probleem lineair scheidbaar maakt, wat motiveert tot een intuïtieve bespreking van de kernel-truc. Vervolgens pas je de polynomiale kernel toe op de gegevensset en stem je de resulterende classifier af.
4
Radial Basis Function-kernels
Bouwt voort op de vorige drie hoofdstukken door de zeer flexibele Radial Basis Function (RBF)-kernel te introduceren. Je maakt een "complexe" gegevensset die de beperkingen van polynomiale kernels blootlegt. Daarna, na een intuïtieve motivatie voor de RBF-kernel, zie je hoe deze de tekortkomingen van de andere kernels in deze cursus aanpakt.
R
Support Vector Machines in R
Cursus
voltooid
