OPTPV_20141125 02

Zhrnutie prednášky

Prednáška nadväzuje na približnú separáciu bodov pomocou lineárneho programovania, kde sa zavádzajú nezáporné pomocné premenné na povolenie porušenia obmedzení a ich súčet sa minimalizuje ako náhrada za počet nesprávne klasifikovaných bodov. Následne sa predstavuje podporný vektorový stroj (SVM) ako kombinácia robustnej a približnej separácie, formulovaná ako viacúčelová optimalizácia so škálovacím parametrom gama, ktorý určuje pomer medzi robustnosťou separátora a počtom chybne klasifikovaných bodov. Vysvetľuje sa vplyv veľkosti gama na výsledný separátor a uvádzajú sa praktické aplikácie SVM v umelej inteligencii — rozpoznávanie objektov na obrázkoch, klasifikácia proteínov, optické rozpoznávanie znakov a detekcia spamu. Na záver sa načrtáva problém nelineárnej separácie, kde hľadaná separačná funkcia už nie je lineárna, čo vedie k nelineárnym obmedzeniam a zložitejším optimalizačným úlohám.

• - Zavedenie nezáporných pomocných premenných na povolenie porušenia obmedzení pri približnej separácii
• - Minimalizácia súčtu absolútnych hodnôt (1-normy) ako aproximácia minimalizácie počtu porušených obmedzení
• - Výsledný problém je lineárny program s lineárnou nákladovou funkciou
• - SVM kombinuje robustnú a približnú separáciu ako viacúčelovú optimalizáciu s parametrom gama
• - Veľkosť gama určuje dôraz na striktnú vs. robustnú separáciu
• - Praktické využitie SVM: rozpoznávanie objektov na obrázkoch, klasifikácia proteínov, OCR, detekcia spamu
• - Nelineárna separácia vedie k nelineárnym obmedzeniam a zložitejším optimalizačným problémom

Zhrnutie pripravené s pomocou AI z prepisu videa.