Predstavil bom metodo podpornih vektorjev (support vector machine, SVM). To je relativno nov algoritem (pravzaprav bolj družina algoritmov) s področja strojnega učenja.
Prvotna različica algoritma je zamišljena za klasifikacijske probleme z dvema razredoma, obstajajo pa tudi razširitve 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 pomočjo prijemov iz matematike (teorija optimizacije) predelamo v bolj obvladljivo dualno obliko, ki jo lahko rešujemo numerično.

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

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