Máquinas de Soporte Vectorial | Cómo funcionan las SVM | Código en python

[@jeffersonalbertoporrasreye520]

Genial canal muy recomendado

[@cesarguayasamin6099]

Me encanto que hayas incluído la deducción matemática del método, este video tiene muchísimo más valor que otros.

Gracias Cesar!!!

[@matiasbarrios7427]

wooow realmente quiero ver el desarrollo matematico en detalle

[@gonzalofranklin8210]

Hey men que bien explicas los conceptos mucho mejor que algunos profes con doctorado!! Gracias por compartir este contenido.

[@rodrigo7026]

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

[@camiloardilaleg]

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!

[@felipemondaca5106]

Buen video al agregar conceptos matemáticos.

[@VictorPerez-kk6ul]

La demostración matemática sería un video genial.

[@juancarloschizallambo6955]

Excelente Video Ingeniero !!! Saludos

Gracias Juan, un saludo!

[@juanignacioramello2661]

Gracias por el video!!! Muy bien explicado con detalle.

[@mariafuente9496]

La explicación matemática más a profundidad sería perfecto!!!

[@jorgeluis3122]

Muchas gracias por la explicación

Excelente tu explicación. Suscrito!

[@romansad]

Excelente video, tenes alguna explicacion para el kernel Laplaciano?

[@jorgeantonioumpireportocarrero]

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.

[@VictorViera]

saludos, muy bueno

[@luisb.531]

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 😃!

[@luisb.531]

@ muchas gracias por la aclaración, un abrazo

[@jesusdanielolivaresfiguero4752]

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.

[@cristhian4513]

buen video david!! bien explicado

Gracias colega. Un saludo especial!

[@laqk2958]

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.

[@laqk2958]

@ DISCULPA Y COMO CREARON SU DATASET ?

[@yesdyruizarenas3036]

Muy buen video, gracias por la explicación :)

Yesdy, muchas gracias por comentar!!!

[@pablopinaorellana4465]

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.

[@andresfeliperamirezgaviria8976]

Excelente explicación.

Gracias Andrés!!!

[@laqk2958]

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.

[@laqk2958]

@ 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 ?

[@margut]

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!

[@margut]

@ excelente, todo aclarado. Muchas gracias

[@garcia3137]

Buen video, Gracias.

[@andersonrcc2205]

Eres muy bueno

[@uwu2023pro]

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 [e-mail]

[@ephraim_1987]

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?,

[@MANTENIMIENTOJ]

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.

[@ricardoventura1199]

Excelente presentación 👌 ¿Podrías compartir la bibliografía del método svm?

[@Matecrash]

Muy buen video.

[@laqk2958]

Disculpa como mides q tan preciso es el modelo puedes extraer el modelo , puedes ayudarme con lo q es codigo xfa

[@benja20racing]

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.

[@benja20racing]

@ ahhh genial genial... no sabes como me ayudaste!! un millón de gracias!

[@benja20racing]

@ 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...

[@benja20racing]

Ahí lo encontré perdón! Con el clf.intercept_ obtengo el valor de "b". Millón de gracias!

[@jamesgarcia912]

muy buen video gracias por el aporte, quisiera profundizar en RNA de tipo RBF para identificación de sistemas no lineales.

[@bidemco4135]

Super! gracias

[@jonathansoto6721]

Excelente !!

Jonathan gracias!!!

[@taniaprudencio983]

Hola, me puedes compartir tu ppt?