Курсы
Лекторы
Материалы
О проекте
Войти
Лекция 6. Метод опорных векторов
Лекция из курса:
Методы машинного обучения в анализе изображений и временных рядов
Дмитриев Константин Вячеславович
Видео не может быть загружено из-за проблем с интернет-соединением или проблем на сервере. Или формат файла не поддерживается вашим браузером.
Лекция 6. Метод опорных векторов
Видео закончится через
NaN:NaN
00:00
00:00
00:19
Следующая секция начнется через
08:36
Задача линейной бинарной классификации
08:36
Следующая секция начнется через
08:36
Метод опорных векторов
25:57
Следующая секция начнется через
08:36
Условия Каруша-Куна-Таккера
33:12
Следующая секция начнется через
08:36
Опорные и не опорные объекты. Двойственная задача, её решение
45:43
Следующая секция начнется через
08:36
Kernel trick. Часто используемые ядра
1:00:44
Следующая секция начнется через
08:36
SVM и метрические методы. SVM регрессия и метрические методы
Свернуть таймкоды
00:00
00:00
Скорость
x 1.00
x 0.25
x 0.50
x 0.75
x 1.00
x 1.25
x 1.5
x 1.75
x 2.00
x 3.00
x 4.00
Качество
1080p
1080p
720p
480p
00:00
00:00
Скорость
x 1.00
x 0.25
x 0.50
x 0.75
x 1.00
x 1.25
x 1.5
x 1.75
x 2.00
x 3.00
x 4.00
Качество
1080p
1080p
720p
480p
Лекция 6. Метод опорных векторов
00:19
Следующая секция начнется через
08:36
Задача линейной бинарной классификации
08:36
Следующая секция начнется через
08:36
Метод опорных векторов
25:57
Следующая секция начнется через
08:36
Условия Каруша-Куна-Таккера
33:12
Следующая секция начнется через
08:36
Опорные и не опорные объекты. Двойственная задача, её решение
45:43
Следующая секция начнется через
08:36
Kernel trick. Часто используемые ядра
1:00:44
Следующая секция начнется через
08:36
SVM и метрические методы. SVM регрессия и метрические методы
Свернуть таймкоды
Конспект лекции
Лекция 6. Метод опорных векторов
1
/
Загрузка
Скачать конспект лекции
Предыдущая лекция
5
Лекция 5. Метрические методы регрессии и классификации
01:36:58
Следующая лекция
7
Лекция 7. Многомерная линейная и нелинейная регрессия. Градиентные методы
01:49:34
x
Нашли ошибку или баг? Сообщите нам!
Ваши комментарии о найденых ошибках в лекциях, конспектах или о баге
Отправить