After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kurs Açıklaması
Bu kurs, sezgisel ve görsel bir yaklaşımla güçlü bir sınıflandırıcı olan support vector machine (SVM) yöntemini tanıtacak. R ile Support Vector Machines, öğrencilerin SVM modelini bir sınıflandırıcı olarak kavramasını ve e1071 paketindeki R’nin libsvm uygulamasını kullanarak pratik deneyim kazanmasını sağlar. Bu süreçte, hard ve soft margin’ler, kernel hilesi (kernel trick), farklı kernel türleri ve SVM parametrelerinin nasıl ayarlanacağı gibi önemli kavramları sezgisel olarak anlayacaksın. Bu etkileyici modelle verileri sınıflandırmaya hazır ol.
Ön Koşullar
Müfredat
Kurs içeriği
1
Giriş
Bu bölüm, basit bir tek boyutlu örnek üzerinden support vector machines’in bazı temel kavramlarını tanıtır. Ayrıca, bir sonraki bölümde kullanılacak, doğrusal olarak ayrılabilir bir veri kümesinin oluşturulması adım adım gösterilir.
- Gazlı içeceklerin şeker içeriği50 XP
- Bir şeker içeriği veri kümesini görselleştirme100 XP
- Karar sınırlarını belirleme50 XP
- Maksimum marj ayırıcısını bul100 XP
- Maksimum marj ayırıcısını görselleştir100 XP
- Doğrusal olarak ayrılabilir bir veri kümesi oluşturma50 XP
- 2 boyutlu, düzgün dağılımlı bir veri kümesi oluştur.100 XP
- Bir karar sınırı oluştur100 XP
- Veri kümesine bir marj ekle100 XP
2
Support Vector Classifiers - Lineer Kernel’ler
Öğrencileri, doğrusal olarak ayrılabilir bir veri kümesine svm algoritmasını uygulayarak support vector machines’in temel kavramlarıyla tanıştırır. Temel kavramlar, algoritmanın çıktılarından oluşturulan ggplot görselleştirmeleriyle örneklenir ve cost parametresinin rolü basit bir örnekle vurgulanır. Bölüm, algoritmanın çok sınıflı problemlerle nasıl başa çıktığını anlatan bir kısımla sonlanır.
3
Polinom Kernel’ler
Dairesel bir karar sınırına sahip, radyal olarak ayrılabilir bir veri kümesi üzerinden polinom kernel’lere giriş sunar. Bu veri kümesi için lineer kernel’lerin yetersizliğini gösterdikten sonra, basit bir dönüşümün problemi doğrusal olarak ayrılabilir hale getirdiğini görecek ve böylece kernel hilesine dair sezgisel bir tartışma için motivasyon sağlanacaktır. Ardından öğrenciler, veri kümesine polinom kernel’i uygulayıp ortaya çıkan sınıflandırıcıyı ayarlayacak (tune)lardır.
4
Radyal Taban Fonksiyonu Kernel’leri
Önceki üç bölümün üzerine, son derece esnek Radyal Taban Fonksiyonu (RBF) kernel’ini tanıtarak inşa eder. Öğrenciler, polinom kernel’lerin sınırlamalarını ortaya koyan “karmaşık” bir veri kümesi oluşturacak. Ardından, RBF kernel’ine yönelik sezgisel bir motivasyonu takiben, bu kernel’in kursta tartışılan diğer kernel’lerin eksik kaldığı noktaları nasıl giderdiğini göreceksin.
R
R ile Support Vector Machines
Kurs
Tamamlandı
