Machine Learning and AI: Support Vector Machines in Python
Искусственный интеллект и наука о данных Алгоритмы классификации и регрессии на Python
Чему вы научитесь:
- Применяйте SVM в практических приложениях: распознавание изображений, обнаружение спама, медицинская диагностика и регрессионный анализ
- Построение собственной RBF-сети и других нейронных сетей на основе SVM
- Полиномиальное ядро, гауссово ядро и сигмоидное ядро
- Регрессия вектора поддержки
- Поймите, как квадратичное программирование применяется к SVM
- Использование двойственности Лагранжа для получения ядра SVM
- Поймите теорию, лежащую в основе SVM, с нуля (основы геометрии)
12 разделов • 74 лекций • Общая продолжительность 8 ч 57 мин
Требования:
- Калькуляция, матричная арифметика / геометрия, основы теории вероятностей
- Кодирование на Python и Numpy
- Логистическая регрессия
Преподаватель - Lazy Programmer Team:
Ленивый программист - опытный онлайн-педагог с непоколебимой страстью к распространению знаний. Имея более чем 10-летний опыт работы, он произвел революцию в области науки о данных и машинного обучения, покорив аудиторию по всему миру своими комплексными курсами и учебными пособиями.
Машины опорных векторов (SVM) - одна из самых мощных моделей машинного обучения, и с тех пор, как я начал готовить курсы, студенты часто обращаются к этой теме.
В наши дни, кажется, все говорят о глубоком обучении, но на самом деле было время, когда машины с опорными векторами считались более совершенными, чем нейронные сети. В этом курсе вы узнаете, что машина опорных векторов на самом деле является нейронной сетью, и они выглядят одинаково, если нарисовать диаграмму.
Самое сложное препятствие, которое необходимо преодолеть при изучении машин опорных векторов, заключается в том, что они очень теоретичны. Эта теория легко отпугивает многих людей, и может показаться, что изучение машин опорных векторов - это нечто непосильное. Это не так!
В этом курсе мы используем очень методичный, пошаговый подход к построению всей теории, необходимой для понимания того, как на самом деле работает SVM. В качестве отправной точки мы будем использовать логистическую регрессию, которая является одной из самых первых вещей, о которых вы узнаете, изучая машинное обучение. Поэтому, если вы хотите понять этот курс, просто имейте хорошую интуицию о логистической регрессии и, как следствие, хорошее понимание геометрии линий, плоскостей и гиперплоскостей.
В этом курсе рассматривается важнейшая теория, лежащая в основе SVM:
- Вывод линейной SVM
- Потери на петлях (и их связь с потерями на кросс-энтропии
- Квадратичное программирование (и обзор линейного программирования)
- Провисающие переменные
- Двойственность Лагранжа
- Ядро SVM (нелинейная SVM)
- Полиномиальные ядра, гауссовы ядра, сигмоидные ядра и строчные ядра
- Узнайте, как добиться бесконечной размерности признаков.
- Проективный градиентный спуск
- SMO (последовательная минимальная оптимизация)
- RBF-сети (нейронные сети с радиальной базисной функцией)
- Регрессия опорных векторов (SVR)
- Многоклассовая классификация
Для тех, кто думает: «Теория - это не для меня», в этом курсе найдется много материала и для вас! В этом курсе будет не один, а целых два раздела, посвященных только практическим аспектам эффективного использования SVM.
Мы рассмотрим сквозные примеры реальных практических приложений машинного обучения, таких как:
- Распознавание изображений
- Регрессионный анализ
- Обнаружение спама
- Медицинская диагностика
Для более продвинутых студентов есть также множество упражнений по кодированию, где вы сможете попробовать различные подходы к реализации SVM.Это реализации, которые вы не найдете ни в одном другом курсе.
Язык - Английский + Русские субтитры + Русские аудио дорожки машинный перевод + для удобства воспроизведения добавлена отдельная папка с сшитыми видео файлами (Русская аудио дорожка + видео файл) [Premium Ai].
*Аудио перевод произведён с синхронизацией таймингов.
