After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kursbeskrivning
Den här kursen introducerar en kraftfull klassificerare – stödvektormaskinen (SVM) – på ett intuitivt och visuellt sätt. Support Vector Machines i R hjälper dig att förstå SVM som klassificeringsmodell och ger dig praktisk erfarenhet av att använda R:s libsvm-implementation från paketet e1071. Under kursens gång får du en intuitiv förståelse för viktiga begrepp som hårda och mjuka marginaler, kernelmetoden, olika typer av kernlar och hur du justerar SVM-parametrar. Gör dig redo att klassificera data med den här imponerande modellen.
Förkunskapskrav
Kursplan
Kursöversikt
1
Introduktion
Det här kapitlet introducerar några centrala begrepp inom stödvektormaskiner genom ett enkelt endimensionellt exempel. Du får också steg för steg skapa ett linjärt separerbart dataset som används i nästföljande kapitel.
- Sockerinnehåll i läskedrycker50 XP
- Visualisera ett dataset med sockerhalter100 XP
- Identifiera beslutsgränser50 XP
- Hitta separatorn med maximal marginal100 XP
- Visualisera separatorn med maximal marginal100 XP
- Skapa ett linjärt separerbart dataset50 XP
- Generera ett 2D-dataset med likformig fördelning.100 XP
- Skapa en beslutsgräns100 XP
- Introducera en marginal i datamängden100 XP
2
Stödvektorklassificerare – linjära kernlar
Introducerar grundläggande begrepp inom stödvektormaskiner genom att tillämpa svm-algoritmen på ett linjärt separerbart dataset. Viktiga begrepp illustreras med ggplot-visualiseringar som byggs utifrån algoritmens utdata, och kostparameterns roll belyses med ett tydligt exempel. Kapitlet avslutas med ett avsnitt om hur algoritmen hanterar problem med flera klasser.
3
Polynomkernlar
Ger en introduktion till polynomkernlar via ett dataset som är radiellt separerbart, det vill säga har en cirkulär beslutsgräns. Efter att ha visat att linjära kernlar inte räcker till för det här datasetet får du se hur en enkel transformation gör problemet linjärt separerbart – vilket motiverar en intuitiv genomgång av kernelmetoden. Du tillämpar sedan polynomkerneln på datasetet och finjusterar den resulterande klassificeraren.
4
Radiella basfunktionskernlar
Bygger vidare på de tre föregående kapitlen genom att introducera den mycket flexibla radiella basfunktionskerneln (RBF). Du skapar ett "komplext" dataset som tydliggör polynomkernlarnas begränsningar. Sedan, efter en intuitiv motivering av RBF-kerneln, får du se hur den hanterar de brister hos de övriga kernlarna som kursen tagit upp.
R
Support Vector Machines i R
Kurs
slutförd
