Интуитивное понимание пространств и ядер в машинном обучении: Часть 1

При изучении темы ядер (kernel) в ML/DS программы вузов, роадмэпы и видео на YouTube обычно рассматривают её через призму SVM, не говоря уже о всеми любимых курсах:). Казалось бы, это неплохо: вот тебе краткое объяснение и модель, которая использует ядра. Но, увы, в этих областях желательно понимать многие процессы интуитивно, так сказать - "тяжело в учении, легко в бою". К тому же, эта тема нечто большее, чем просто метод; она позволяет связать многие вещи в машинном обучении в единую картину через пространство, что я и хочу показать в этой статье.

https://habr.com/ru/articles/814343/

#метод_опорных_векторов #support_vector_machine #svm #kernel #ядерный_трюк #kernel_trick #пространство_признаков

Метод опорных векторов (SVM). Подходы, принцип работы и реализация с нуля на Python

Метод опорных векторов (Support Vector Machine или просто SVM) — мощный и универсальный набор алгоритмов для работы с данными любой формы, применяемый не только для задач классификации и регрессии, но и также для выявления аномалий. В данной статье будут рассмотрены основные подходы к созданию SVM, принцип работы, а также реализации с нуля его наиболее популярных разновидностей.

https://habr.com/ru/articles/802185/

#метод_опорных_векторов #support_vector_machine #svm #алгоритмы_машинного_обучения #реализация_с_нуля #python #data_science #машинное_обучение #принцип_работы