Predstavil bom metodo podpornih vektorjev (support vector machine, SVM). To je relativno nov algoritem (pravzaprav bolj druzina algoritmov) s podrocja strojnega ucenja. Prvotna razlicica algoritma je zamisljena za klasifikacijske probleme z dvema razredoma, obstajajo pa tudi razsiritve za več razredov in za regresijske probleme. SVM ima dobro teoretično podlago, obenem pa se dobro obnese tudi na realističnih podatkih z raznih problemskih področij.

V prvem delu seminarja (v torek) bom opisal, kako si SVM zastavi učenje kot optimizacijski problem in kako ta problem s pomocjo prijemov iz matematike (teorija optimizacije) predelamo v bolj obvladljivo dualno obliko, ki jo lahko resujemo numerično.

V drugem delu bom opisal, kako lahko z uporabo t.im. jeder iscemo namesto linearnih tudi nelinearne modele, pri tem pa ostane optimizacijsko ogrodje prakticno nespremenjeno. Predstavil bom se nekaj razsiritev SVMja (vec kot dva razreda, regresija, transdukcija), nekaj prosto dostopnih implementacij SVMja in nekaj literature o SVMjih.

Namen seminarja je, da bi lahko poslusalec metodo podpornih vektorjev uporabljal ne zgolj kot crno skatlico, ampak bi si tudi malo predstavljal, kako ta skatlica deluje.