Sí, por supuesto. Puedes encontrarlo con bastante facilidad. La parte difícil es comprenderlo completamente. Sugeriría comenzar con el perceptrón y los conjuntos de datos simplemente (linealmente) separables. Luego mire los conceptos de un núcleo y luego las variables flojas para tener en cuenta las imperfecciones. Las pruebas son importantes, por lo tanto, obtenga las cosas por usted mismo.
Solo entonces tendrá sentido el problema de optimización del separador de margen máximo con holgura, y su forma “dual” más práctica.
Hay un enfoque analítico y el numérico. Sugeriría abordar el enfoque SMO. Hacer todas las pruebas y deducciones no solo será gratificante, sino que tendrá mucha más confianza trabajando con otros enfoques en el aprendizaje automático (árboles, redes, etc.).
- ¿Cómo se comparan las bibliotecas de aprendizaje automático de Python con las de Go?
- ¿Cómo se mejora y mejora la técnica de aprendizaje automático mientras nadie sabe exactamente cómo funciona?
- ¿Cuál es la diferencia entre los ingenuos Bayes y los algoritmos de máquina de vectores de soporte?
- ¿Cuál es un buen tutorial sobre el uso de Weka con Big Data?
- ¿Cuáles son algunos ejemplos de inferencia?
Conozca su primer año de cálculo y álgebra lineal.
Escribe con cuidado.