Support vector machines: teorie, aplikace a softwarové implementace

Abstract

Tato bakalářská práce se zabývá problematikou algoritmu strojového učení metody podpůrných vektorů. Práce se zaměřuje na teoretický základ nutný pro pochopení mechanismu fungování této metody, aplikace této metody v reálném životě a implementace této metody v různých softwarech. Jsou vysvětleny pojmy jako jsou optimální separační nadrovina, lineární rozhodovací hranice a podpůrné vektory. Dále jsou popsány různé varianty této metody při použití různých jádrových funkcí. V třetí části práce bylo nejen použito metody pro ukázku toho, jak to funguje, ale i využito několika postupů pro zlepšení výsledků aplikace dané metody.This bachelor thesis deals with the problem of machine learning algorithm called support vector machine learning method. The thesis focuses on the theoretical basis required to understand the mechanism of operation of this method, the application of this method in real life and the implementation of this method in various software. Concepts such as optimal separation superplane, linear decision boundary and support vectors are explained. Furthermore, different variants of this method using different kernel functions are described. In the third part of the paper, the method was not only used to show how it works, but also several techniques were used to improve the results of the application of the method.