Algoritma Kecerdasan Buatan dan Ilmu Data dengan Python untuk Klasifikasi dan Regresi
Apa 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 (geometri dasar)
-
Gunakan Lagrangian Duality untuk mendapatkan Kernel SVM
-
Pahami bagaimana Pemrograman Kuadrat diterapkan ke SVM
-
Mendukung Regresi Vektor
-
Kernel Polinomial, Kernel Gaussian, dan Kernel Sigmoid
-
Bangun Jaringan RBF Anda sendiri dan Jaringan Neural lainnya berdasarkan SVM
Persyaratan
-
Kalkulus, Aritmatika Matriks / Geometri, Probabilitas Dasar
-
Pengodean Python dan Numpy
-
Regresi logistik
Deskripsi
Support Vector Machines ( SVM ) adalah salah satu model pembelajaran mesin paling canggih, dan topik ini telah menjadi permintaan siswa sejak mulai membuat kursus.
Hari-hari ini, semua orang tampaknya membicarakan tentang pembelajaran mendalam , tetapi pada kenyataannya ada suatu masa ketika mesin vektor dukungan dipandang lebih unggul daripada jaringan saraf. Salah satu hal yang akan Anda pelajari dalam kursus ini adalah bahwa mesin vektor pendukung sebenarnya adalah jaringan neural, dan pada dasarnya terlihat identik jika Anda menggambar diagram.
Hambatan terberat yang harus diatasi saat Anda mempelajari tentang mesin vektor dukungan adalah bahwa mereka sangat teoretis. Teori ini sangat mudah membuat takut banyak orang, dan mungkin merasa belajar tentang mesin vektor dukungan berada di luar kemampuan Anda.
Dalam kursus ini, kami mengambil pendekatan yang sangat metodis dan selangkah demi selangkah untuk membangun semua teori yang Anda butuhkan untuk memahami cara kerja SVM yang sebenarnya. Kami akan menggunakan Regresi Logistik sebagai titik awal, 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 dengan ekstensi memiliki pemahaman yang baik tentang geometri garis, bidang, dan hyperplanes.
