or
यह अभ्यास पाठ्यक्रम का हिस्सा है
यह अध्याय एक सरल 1-डायमेंशनल उदाहरण के माध्यम से support vector machines के कुछ मुख्य कॉन्सेप्ट्स से परिचय कराता है। साथ ही, शिक्षार्थियों को एक linearly separable डेटासेट बनाने की प्रक्रिया से भी गुजारा जाता है, जिसे अगले अध्याय में उपयोग किया जाएगा।
यह अध्याय linearly separable डेटासेट पर svm एल्गोरिदम लागू करके support vector machines के बुनियादी कॉन्सेप्ट्स से परिचित कराता है। मुख्य विचारों को एल्गोरिदम के आउटपुट से बनी ggplot विज़ुअलाइज़ेशन्स के ज़रिए समझाया गया है और एक सरल उदाहरण से cost पैरामीटर की भूमिका को उजागर किया गया है। अंत में, अध्याय यह दिखाते हुए समाप्त होता है कि यह एल्गोरिदम multiclass समस्याओं से कैसे निपटता है।
यह अध्याय radially separable (अर्थात् जिसकी decision boundary गोलाकार होती है) डेटासेट के माध्यम से polynomial kernels का परिचय देता है। पहले यह दिखाया जाएगा कि इस डेटासेट के लिए linear kernels क्यों अपर्याप्त हैं, फिर एक सरल ट्रांसफ़ॉर्मेशन से समस्या को linearly separable बनाया जाएगा, जो kernel trick पर सहज चर्चा के लिए प्रेरित करता है। इसके बाद, आप डेटासेट पर polynomial kernel लागू करेंगे और बने हुए क्लासिफ़ायर को ट्यून करेंगे।
पिछले तीन अध्यायों पर आगे बढ़ते हुए, यह अध्याय अत्यंत लचीले Radial Basis Function (RBF) kernel को प्रस्तुत करता है। आप एक "complex" डेटासेट बनाएँगे जो polynomial kernels की सीमाएँ उजागर करता है। फिर, RBF kernel की सहज प्रेरणा के बाद, आप देखेंगे कि यह इस कोर्स में चर्चा किए गए अन्य kernels की कमियों को कैसे दूर करता है।
वर्तमान अभ्यास