After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
У цьому курсі ви познайомитеся з потужним класифікатором — машиною опорних векторів (SVM) — за допомогою інтуїтивного, візуального підходу. Support Vector Machines в R допоможе вам зрозуміти модель SVM як класифікатор і набути практичного досвіду з реалізацією libsvm мови R із пакета e1071. Паралельно ви отримаєте інтуїтивне розуміння важливих понять, зокрема жорстких і м'яких меж, прийому з ядрами (kernel trick), різних типів ядер і налаштування параметрів SVM. Приготуйтеся класифікувати дані за допомогою цієї вражаючої моделі.
Попередні вимоги
Навчальний план
Зміст курсу
1
Вступ
У цьому розділі подано ключові поняття машин опорних векторів на простому одномірному прикладі. Також ви крок за кроком створите лінійно відокремлюваний набір даних, який використовуватиметься в наступному розділі.
- Вміст цукру в безалкогольних напоях50 XP
- Візуалізація набору даних про вміст цукру100 XP
- Визначення меж прийняття рішення50 XP
- Знайдіть розділювач з максимальним зазором100 XP
- Візуалізуйте роздільник із максимальним зазором100 XP
- Створення лінійно відокремлюваного набору даних50 XP
- Згенеруйте рівномірно розподілений двовимірний набір даних.100 XP
- Створіть межу розділення100 XP
- Додайте відступ у наборі даних100 XP
2
Класифікатори опорних векторів — лінійні ядра
Знайомить із базовими поняттями машин опорних векторів на прикладі застосування алгоритму svm до лінійно відокремлюваного набору даних. Ключові ідеї ілюструються візуалізаціями ggplot, побудованими на основі результатів алгоритму, а роль параметра вартості (cost) демонструється на простому прикладі. Розділ завершується частиною про те, як алгоритм працює з багатокласовими задачами.
3
Поліноміальні ядра
Надає вступ до поліноміальних ядер на прикладі радіально відокремлюваного набору даних (тобто з круговою межею рішення). Після демонстрації обмежень лінійних ядер для цього набору даних ви побачите, як просте перетворення робить задачу лінійно відокремлюваною, що мотивує інтуїтивне обговорення прийому з ядрами. Далі ви застосуєте поліноміальне ядро до набору даних і налаштуєте отриманий класифікатор.
4
Ядра з радіальною базисною функцією
Спирається на попередні три розділи та знайомить із дуже гнучким ядром RBF (Radial Basis Function). Ви створите «складний» набір даних, який виявляє обмеження поліноміальних ядер. Після інтуїтивного обґрунтування ядра RBF ви побачите, як воно долає недоліки інших ядер, розглянутих у цьому курсі.
R
Support Vector Machines в R
Курс
завершено
