Gracias @sistemas-inteligentes por el video, bastante útil. Si me permites un comentario, o más bien una petición, me encantaría entender los métodos para lograr optimizar la función, he escuchado sobre SMO, sequential minimal optimization. Si pudieras hablar sobre los métodos y explicarlos, quedaría supremamente agradecido, ya que entendería desde las bases totales el algoritmo. Muchas gracias y de nuevo buen video.
3 ปีที่แล้ว +1
Hola Camilo, muchas gracias por tu comentario Claro que sí, tendré en cuenta tu petición, para el canal son muy importantes esas sugerencias. Saludos!
Buenisimo gracias! pregunta! este solo funciona para clasificar entre 2 clases? se puede con mas clases? y cual es la diferencia con regresion logistica y las redes neuronales muchas gracias
Me has dado una buena información ,hace unas semanas lleve fundamentos de machine learning quedo en en el tema de agrupamiento por que realmente es muy extenso y quedaba poco tiempo para explicar todas las funciones y comandos usados .En mi caso tengo data ya clasificada en esa misma distribución mi pregunta es si puedes obtener la ecuación lineal o polinómica de ese plano o hiperplano que separa esas clases ,además no se si aplica el concepto a mas de dos clases en mi caso tengo tres definidos es para presentar en mi tesis de postgrado ,ademas uno de los ejes lo estoy representando en log .Excelente contenido slds
3 ปีที่แล้ว
Hola Jorge, muchas gracias por comentar. Respecto a tu pregunta, el concepto sí aplica a más de dos clases, solo que la explicación es mucho más intuitiva para dos clases. Respecto a la ecuación del modelo, aunque nunca la he necesitado explícitamente, el modelo nos permite obtener los vectores de soporte, y con ellos podríamos escribir la ecuación del modelo. Saludos y muchas gracias nuevamente por comentar.
Hola. Muchas gracias por este video, me ha encantado y he aprendido más que con las explicaciones de mi profesora en clase de Machine Learning. Sin embargo, hay algo que no acabo de comprender: por qué la misma ecuación que dices en 12:55 que es válida solo para clases linealmente separables, en el gráfico de 13:09 pone que es para clases no linealmente separables? Se trata de una errata?
2 ปีที่แล้ว +1
Hola Luis Oye muchas gracias por tu comentario, lo aprecio mucho. Muchas gracias también por tu observación, no lo había notado, las ecuaciones son correctas pero no había notado que los títulos en el minuto 13:09 quedaron trocados, tienes toda la razón. La ecuación que tiene la función kernel se usa para clases que, en principio, no son linealmente separables 😃!
Excelente explicación. Muchas gracias. Tengo dos preguntas 1) En tu canal tienes el desarrollo del Lagrangiano como lo mencionas en el minuto 11:22? 2) Te basaste en un libro en específico para desarrollar este video? Te agradecería si me dices qué libro es. Saludos.
Una consulta, puede existir el caso de que al aplicar el truco kernell, y vamos de 2 a 3 dimensiones, sigamos sin poder establecer un plano que divida a las 2 clases? por ejemplo que pasaría si en la imagen de la izquierda del minuto 14:38, hay un punto verde en -1, -1, ¿existe esa posibilidad?,
Hola, muy buena explicación. En el último ejemplo, el de los dígitos, se puede graficar el hiperplano?
3 ปีที่แล้ว
Hola @gutmaryt, muchas gracias por comentar. Respecto a tu pregunta, la dimensionalidad del hiperplano de decisión depende de la dimensionalidad del espacio de entrada. En el caso del dataset de dígitos, la dimensión del espacio de entrada es 64 (8x8, cada pixel es una característica de entrada), habiendo dicho eso, no es viable representar gráficamente un hiperplano de dimensionalidad tan alta. A lo sumo podríamos tomar 3 de las características del espacio de entrada e intentar graficar proyecciones de ese plano en 3D, sin embargo, no sería muy útil dada la cantidad de dimensiones que estaríamos dejando por fuera. Por ese motivo, en la explicación conceptual y matemática usamos un ejemplo de dimensión 2. Espero que con mi respuesta en algo pueda resolver tus dudas. Saludos, y nuevamente gracias!
Estimado muy buen video. Quería consultar como puedo traer un archivo desde un excel para aplicar los distintos Kernel. Saludos y agradecido.
2 ปีที่แล้ว
Hola Pablo, gracias! Se me ocurre que puedes cargar el excel usando pandas como un dataframe, y luego darle formato convirtiendo los datos a array de numpy.
pregunta como usas ese algoritmo para clasificar imagenes ?
2 ปีที่แล้ว +1
Hola Una forma es realizar antes extracción de características bien sea con redes convolucionales o con técnicas clásicas de procesamiento de imágenes. Una vez tengas las características se establecen como entrada al modelo SVM. Es muy útil apoyarse en los frameworks sklear y keras/tensorflow.
Una pregunta que pasa con las etiquetas ya conocidas de cada muestras de datos? No entiendo, se dice que la clase positiva y negativa son identificadas mediante las restricciones y dependiendo del signo se identifican como pertenecientes a una u otra clase, pero no se supone que estas muestras ya están identificadas mediante las etiquetas ya conocidas? por favor , me puede explicar esa parte soy nuevo e leído mucho pero no logro entender muy bien esa parte. y además, como se proyectan las muestras al espacio vectorial si tengo 15 características.
Hola, quisiera consultarte si a los pesos w1, w2 y b de la fórmula de la frontera de decisión llegaste a través de python o hiciste el cálculo o lo estimaste aproximado?. Porque estoy intentando hacer eso desde python y no encuentro la forma. Ah y por cierto está genial la explicación!!
2 ปีที่แล้ว +1
Hola Lucas, gracias! Los parámetros que definen el modelo de la frontera de decisión los puedes ver en el atributo clf.coef_ Teniendo en cuenta que clf es el nombre de tu modelo.
Genial canal muy recomendado
OMG eres fabuloso doctor..... excelente
Me encanto que hayas incluído la deducción matemática del método, este video tiene muchísimo más valor que otros.
Gracias Cesar!!!
Hey men que bien explicas los conceptos mucho mejor que algunos profes con doctorado!! Gracias por compartir este contenido.
wooow realmente quiero ver el desarrollo matematico en detalle
La demostración matemática sería un video genial.
Buen video al agregar conceptos matemáticos.
Gracias por el video!!! Muy bien explicado con detalle.
Gracias @sistemas-inteligentes por el video, bastante útil. Si me permites un comentario, o más bien una petición, me encantaría entender los métodos para lograr optimizar la función, he escuchado sobre SMO, sequential minimal optimization. Si pudieras hablar sobre los métodos y explicarlos, quedaría supremamente agradecido, ya que entendería desde las bases totales el algoritmo. Muchas gracias y de nuevo buen video.
Hola Camilo, muchas gracias por tu comentario
Claro que sí, tendré en cuenta tu petición, para el canal son muy importantes esas sugerencias. Saludos!
Excelente Video Ingeniero !!! Saludos
Gracias Juan, un saludo!
Excelente tu explicación. Suscrito!
La explicación matemática más a profundidad sería perfecto!!!
Buenisimo gracias! pregunta! este solo funciona para clasificar entre 2 clases? se puede con mas clases?
y cual es la diferencia con regresion logistica y las redes neuronales
muchas gracias
Excelente video, tenes alguna explicacion para el kernel Laplaciano?
Muchas gracias por la explicación
Muy buen video, gracias por la explicación :)
Yesdy, muchas gracias por comentar!!!
muy buen video gracias por el aporte, quisiera profundizar en RNA de tipo RBF para identificación de sistemas no lineales.
Me has dado una buena información ,hace unas semanas lleve fundamentos de machine learning quedo en en el tema de agrupamiento por que realmente es muy extenso y quedaba poco tiempo para explicar todas las funciones y comandos usados .En mi caso tengo data ya clasificada en esa misma distribución mi pregunta es si puedes obtener la ecuación lineal o polinómica de ese plano o hiperplano que separa esas clases ,además no se si aplica el concepto a mas de dos clases en mi caso tengo tres definidos es para presentar en mi tesis de postgrado ,ademas uno de los ejes lo estoy representando en log .Excelente contenido slds
Hola Jorge, muchas gracias por comentar.
Respecto a tu pregunta, el concepto sí aplica a más de dos clases, solo que la explicación es mucho más intuitiva para dos clases. Respecto a la ecuación del modelo, aunque nunca la he necesitado explícitamente, el modelo nos permite obtener los vectores de soporte, y con ellos podríamos escribir la ecuación del modelo. Saludos y muchas gracias nuevamente por comentar.
Hola. Muchas gracias por este video, me ha encantado y he aprendido más que con las explicaciones de mi profesora en clase de Machine Learning. Sin embargo, hay algo que no acabo de comprender: por qué la misma ecuación que dices en 12:55 que es válida solo para clases linealmente separables, en el gráfico de 13:09 pone que es para clases no linealmente separables? Se trata de una errata?
Hola Luis
Oye muchas gracias por tu comentario, lo aprecio mucho. Muchas gracias también por tu observación, no lo había notado, las ecuaciones son correctas pero no había notado que los títulos en el minuto 13:09 quedaron trocados, tienes toda la razón. La ecuación que tiene la función kernel se usa para clases que, en principio, no son linealmente separables 😃!
@ muchas gracias por la aclaración, un abrazo
buen video david!! bien explicado
Gracias colega. Un saludo especial!
Excelente presentación 👌
¿Podrías compartir la bibliografía del método svm?
Excelente explicación. Muchas gracias. Tengo dos preguntas 1) En tu canal tienes el desarrollo del Lagrangiano como lo mencionas en el minuto 11:22? 2) Te basaste en un libro en específico para desarrollar este video? Te agradecería si me dices qué libro es. Saludos.
Excelente explicación., ¿Como haces un Model smv con datos de entrada de solo imágenes?
Hola, gracias.
Tendrías que hacer una etapa previa de extracción de características, por ejemplo con redes neuronales convolucionales.
@ tambiens e puede usar opencv . como usas un modelo dentro de una app ? que tan pesado resulta y que tipo de archivo se debe usar ?
Una consulta, puede existir el caso de que al aplicar el truco kernell, y vamos de 2 a 3 dimensiones, sigamos sin poder establecer un plano que divida a las 2 clases? por ejemplo que pasaría si en la imagen de la izquierda del minuto 14:38, hay un punto verde en -1, -1, ¿existe esa posibilidad?,
Hola, muy buena explicación. En el último ejemplo, el de los dígitos, se puede graficar el hiperplano?
Hola @gutmaryt, muchas gracias por comentar.
Respecto a tu pregunta, la dimensionalidad del hiperplano de decisión depende de la dimensionalidad del espacio de entrada. En el caso del dataset de dígitos, la dimensión del espacio de entrada es 64 (8x8, cada pixel es una característica de entrada), habiendo dicho eso, no es viable representar gráficamente un hiperplano de dimensionalidad tan alta. A lo sumo podríamos tomar 3 de las características del espacio de entrada e intentar graficar proyecciones de ese plano en 3D, sin embargo, no sería muy útil dada la cantidad de dimensiones que estaríamos dejando por fuera. Por ese motivo, en la explicación conceptual y matemática usamos un ejemplo de dimensión 2.
Espero que con mi respuesta en algo pueda resolver tus dudas. Saludos, y nuevamente gracias!
@ excelente, todo aclarado. Muchas gracias
Estimado muy buen video. Quería consultar como puedo traer un archivo desde un excel para aplicar los distintos Kernel.
Saludos y agradecido.
Hola Pablo, gracias!
Se me ocurre que puedes cargar el excel usando pandas como un dataframe, y luego darle formato convirtiendo los datos a array de numpy.
Buen video, Gracias.
Excelente explicación.
Gracias Andrés!!!
pregunta como usas ese algoritmo para clasificar imagenes ?
Hola
Una forma es realizar antes extracción de características bien sea con redes convolucionales o con técnicas clásicas de procesamiento de imágenes. Una vez tengas las características se establecen como entrada al modelo SVM. Es muy útil apoyarse en los frameworks sklear y keras/tensorflow.
@ DISCULPA Y COMO CREARON SU DATASET ?
saludos, muy bueno
Muy buen video.
Una pregunta que pasa con las etiquetas ya conocidas de cada muestras de datos? No entiendo, se dice que la clase positiva y negativa son identificadas mediante las restricciones y dependiendo del signo se identifican como pertenecientes a una u otra clase, pero no se supone que estas muestras ya están identificadas mediante las etiquetas ya conocidas? por favor , me puede explicar esa parte soy nuevo e leído mucho pero no logro entender muy bien esa parte.
y además, como se proyectan las muestras al espacio vectorial si tengo 15 características.
Hola, quisiera consultarte si a los pesos w1, w2 y b de la fórmula de la frontera de decisión llegaste a través de python o hiciste el cálculo o lo estimaste aproximado?. Porque estoy intentando hacer eso desde python y no encuentro la forma. Ah y por cierto está genial la explicación!!
Hola Lucas, gracias!
Los parámetros que definen el modelo de la frontera de decisión los puedes ver en el atributo clf.coef_
Teniendo en cuenta que clf es el nombre de tu modelo.
@ ahhh genial genial... no sabes como me ayudaste!! un millón de gracias!
@ Perdón, me surgió otra duda, cómo calculaste el b? porque en tu ejemplo tenes un -10.88 y el coef solamente devuelve el W1 y W2 pero con el b...
Ahí lo encontré perdón! Con el clf.intercept_ obtengo el valor de "b". Millón de gracias!
Eres muy bueno
Hola amigo, tengo un proyecto en mente usando SVM, quisiera preguntarte tu opinión, puedo contactarte por algún medio?
Hola Jorge, muchas gracias por comentar
Claro que sí, escríbeme al correo david.luna.1986@gmail.com
Disculpa como mides q tan preciso es el modelo puedes extraer el modelo , puedes ayudarme con lo q es codigo xfa
Super! gracias
Excelente !!
Jonathan gracias!!!
Hola, me puedes compartir tu ppt?