Скачать или смотреть Учебное пособие по методу опорных векторов | Распознавание рукописных цифр с помощью MNIST

В этом учебном пособии по методу опорных векторов рассматривается знаменитый набор данных MNIST, содержащий 70 000 рукописных цифр. Посмотрите, как метод опорных векторов находит оптимальные границы принятия решений, достигая точности более 95% в этом классическом методе компьютерного зрения.

Это видео входит в курс Machine Learning with Scikit-learn, PyTorch & Hugging Face Professional Certificate на Coursera. Углубите свои знания Machine Support Vector с помощью набора данных для машинного обучения "Hello World". Вы узнаете:
*Основы SVM: гиперплоскости и оптимальные границы принятия решений
*Набор данных MNIST: 70 000 изображений, 28×28 пикселей, 784 признака на цифру
*Предварительная обработка данных: минимально-максимальное масштабирование для оптимальной производительности SVM
*Реализация SVM на основе линейного ядра с помощью Scikit-learn
*Конвейер компьютерного зрения: от пикселей до прогнозов
*Оценка модели: точность, полнота, F1-критерий для всех 10-разрядных классов
*Снижение размерности PCA для визуализации границ принятия решений
*Почему SVM отлично справляются с созданием чётких границ между классами

📌 Запишитесь на полный курс Машинное обучение с Scikit-learn, PyTorch и сертификат Hugging Face Professional → https://bit.ly/3IpDZKp
✅ Подпишитесь на обучающие материалы по компьютерному зрению и алгоритмам машинного обучения →    / @coursera  

Увлекательное задание: Можете ли вы написать цифры, которые обманут этот SVM? Что делает рукописный текст трудным для чтения компьютером? Поделитесь своими мыслями! 👇

00:00 Введение – Гиперплоскости SVM для классификации рукописных цифр
00:27 Настройка библиотеки – Импорт данных из NumPy, Matplotlib, Sklearn
00:34 Загрузка MNIST – Набор данных из 70 000 изображений рукописных цифр
00:52 Структура набора данных – 784 признака (28×28 пикселей), 10 классов (0-9)
01:12 Визуализация данных – Выборка цифр и распределение классов
01:44 Предварительная обработка данных – Масштабирование по минимуму и максимуму для оптимизации SVM
02:12 Разделение на тренировочную и тестовую выборки – 90% обучение, 10% тестирование (разделение 63K/7K)
02:34 Обучение SVM – Инициализация и подгонка модели линейного ядра
02:49 Оценка модели – Точность и анализ отчёта о классификации
03:31 Визуализация цифр – Интерпретация входных данных модели с помощью тепловых карт
04:03 Визуализация PCA – Двумерное представление границы принятия решений
04:31 Заключение – Преимущества SVM для задач классификации

#SVM #MachineLearning #ComputerVision #MNIST #HandwritingRecognition