Die Klassifizierung von Datensätzen ist ein Problem mit vielen Anwendungsbereichen. Einfache Datensätze, die
linear separierbar sind, lassen sich durch lineare Support Vector Machines klassifizieren. Schwieriger wird es mit Datensätzen, die keine lineare Struktur in der Separierbarkeit aufweisen. Hier lässt der Kernel Trick eine
Erweiterung zu: die Grundidee ist, dass der Datensatz in einen höher-dimensionalen Raum abgebildet wird, wo er linear separierbar ist. Diese Sequenz könnte ein Ausschnitt aus einer einführenden Vorlesung zu “Maschinellem Lernen” im Rahmen eines Wahlmoduls des Bachelorstudium Mathematik sein.
Der Kernel Trick
31.05.2024 09:00 - 09:20
Organiser:
Fakultät für Mathematik, Dekan Radu Ioan Boţ
Location: