After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Opis kursu
Ten kurs w przystępny i wizualny sposób przedstawia potężny klasyfikator – maszynę wektorów nośnych (SVM). Kurs pomoże ci zrozumieć model SVM jako klasyfikator oraz zdobyć praktyczne doświadczenie, korzystając z implementacji libsvm dostępnej w pakiecie e1071 dla R. Po drodze zapoznasz się z kluczowymi pojęciami, takimi jak twarde i miękkie marginesy, sztuczka jądra, różne typy jąder oraz sposoby dostrajania parametrów SVM. Przygotuj się na klasyfikowanie danych z użyciem tego imponującego modelu.
Wymagania wstępne
Program kursu
Plan kursu
1
Wprowadzenie
Ten rozdział wprowadza kluczowe pojęcia dotyczące maszyn wektorów nośnych na prostym przykładzie jednowymiarowym. Przeprowadza też przez tworzenie liniowo separowalnego zbioru danych, który będzie używany w kolejnym rozdziale.
- Zawartość cukru w napojach gazowanych50 XP
- Wizualizacja zbioru danych o zawartości cukru100 XP
- Rozpoznawanie granic decyzyjnych50 XP
- Znajdź separator maksymalnego marginesu100 XP
- Wizualizacja separatora maksymalnego marginesu100 XP
- Generowanie liniowo separowalnego zbioru danych50 XP
- Generowanie dwuwymiarowego zbioru danych o rozkładzie jednostajnym.100 XP
- Tworzenie granicy decyzyjnej100 XP
- Wprowadź margines do zbioru danych100 XP
2
Klasyfikatory wektorów nośnych – jądra liniowe
Zapoznaje z podstawowymi pojęciami dotyczącymi maszyn wektorów nośnych poprzez zastosowanie algorytmu SVM do liniowo separowalnego zbioru danych. Kluczowe koncepcje są zilustrowane wizualizacjami ggplot zbudowanymi na podstawie wyników algorytmu, a rola parametru kosztu jest omówiona na prostym przykładzie. Rozdział kończy się sekcją poświęconą temu, jak algorytm radzi sobie z problemami wieloklasowymi.
3
Jądra wielomianowe
Wprowadza jądra wielomianowe na przykładzie zbioru danych separowalnego radialnie (tj. z okrągłą granicą decyzyjną). Po pokazaniu ograniczeń jąder liniowych dla tego zbioru danych zobaczysz, jak prosta transformacja sprawia, że problem staje się liniowo separowalny – co stanowi intuicyjne uzasadnienie sztuczki jądra. Następnie zastosujesz jądro wielomianowe do zbioru danych i dostroisz powstały klasyfikator.
4
Jądra radialnych funkcji bazowych
Rozbudowuje wiedzę z poprzednich trzech rozdziałów, wprowadzając wysoce elastyczne jądro radialnej funkcji bazowej (RBF). Stworzysz „złożony" zbiór danych, który ujawnia ograniczenia jąder wielomianowych. Następnie – po intuicyjnym uzasadnieniu zastosowania jądra RBF – zobaczysz, jak radzi sobie ono z niedoskonałościami pozostałych jąder omówionych w tym kursie.
R
Maszyny wektorów nośnych w R
Kurs
ukończony
