Jasa Pembuatan Python | Machine Learning AI Support Vector Machines Python
Yang akan Anda pelajari
-
Terapkan SVM ke aplikasi praktis: pengenalan gambar, deteksi spam, diagnosis medis, dan analisis regresi
-
Memahami teori di balik SVM dari awal
-
Gunakan Lagrangian Duality untuk mendapatkan Kernel SVM
-
Memahami bagaimana Pemrograman Kuadrat diterapkan pada SVM
-
Mendukung Regresi Vektor
-
Kernel Polinomial, Kernel Gaussian, dan Kernel Sigmoid
-
Bangun Jaringan RBF Anda sendiri dan Jaringan Syaraf lainnya berdasarkan SVM
Persyaratan
-
Kalkulus, Matriks Aritmatika / Geometri, Probabilitas Dasar
-
Pengkodean Python dan Numpy
-
Regresi logistik
Deskripsi
Support Vector Machines ( SVM ) adalah salah satu model pembelajaran mesin yang paling kuat, dan topik ini telah menjadi salah satu permintaan siswa sejak saya mulai membuat kursus.
Hari-hari ini, semua orang tampaknya berbicara tentang pembelajaran mendalam , tetapi sebenarnya ada saat ketika mesin vektor pendukung dipandang lebih unggul daripada jaringan saraf. Salah satu hal yang akan Anda pelajari dalam kursus ini adalah bahwa mesin vektor pendukung sebenarnya adalah jaringan saraf, dan mereka pada dasarnya terlihat identik jika Anda menggambar diagram.
Kendala terberat yang harus diatasi saat Anda belajar tentang mesin vektor pendukung adalah bahwa mesin tersebut sangat teoretis. Teori ini dengan sangat mudah membuat takut banyak orang, dan mungkin Anda merasa belajar tentang mesin vektor dukungan berada di luar kemampuan Anda.
Dalam kursus ini, kami mengambil pendekatan langkah demi langkah yang sangat metodis untuk membangun semua teori yang Anda butuhkan untuk memahami cara kerja SVM yang sebenarnya. Kami akan menggunakan Regresi Logistik sebagai titik awal kami, yang merupakan salah satu hal pertama yang Anda pelajari sebagai siswa pembelajaran mesin. Jadi jika Anda ingin memahami kursus ini, miliki intuisi yang baik tentang Regresi Logistik, dan selanjutnya, miliki pemahaman yang baik tentang geometri garis, bidang, dan bidang hiper.
Kursus ini akan mencakup teori kritis di balik SVM:
- Derivasi SVM linier
- Kerugian engsel (dan hubungannya dengan kerugian Cross-Entropy)
- Pemrograman kuadrat (dan tinjauan pemrograman Linear)
- Variabel kendur
- Dualitas Lagrangian
- Kernel SVM (SVM nonlinier)
- Kernel Polinomial, Kernel Gaussian, Kernel Sigmoid, dan Kernel String
- Pelajari cara mencapai perluasan fitur berdimensi tak terbatas
- Penurunan Gradien yang Diproyeksikan
- SMO (Pengoptimalan Minimal Berurutan)
- Jaringan RBF (Jaringan Syaraf Fungsi Basis Radial)
- Mendukung Regresi Vektor (SVR)
- Klasifikasi Multikelas
Dalam kursus ini, tidak hanya ada satu, tetapi dua bagian penuh yang dikhususkan hanya untuk aspek praktis tentang cara memanfaatkan SVM secara efektif.
Kami akan membuat contoh aplikasi pembelajaran mesin yang nyata dan prakti , seperti:
- Pengenalan gambar
- Deteksi spam
- Diagnosa medis
- Analisis regresi
Untuk siswa yang lebih mahir, ada juga banyak latihan pengkodean di mana Anda akan mencoba berbagai pendekatan untuk mengimplementasikan SVM.
Ini adalah implementasi yang tidak akan Anda temukan di tempat lain di kursus lain mana pun.
Untuk siapa kursus ini:
- Pemula yang ingin tahu cara menggunakan SVM untuk masalah praktis
- Pakar yang ingin mengetahui semua teori di balik SVM
- Profesional yang ingin mengetahui cara menyetel SVM secara efektif untuk aplikasi mereka