Maschinelles Lernen 1 - Grundverfahren, Vorlesung, WS 2016/17, 15.11.2016, 02

Autor

J. Marius Zöllner

Herausgeber

KIT | Webcast

Beteiligtes Institut

Institut für Anthropomatik und Robotik (IAR)

Genre

Vorlesung

Beschreibung

02 |
0:00:00 Starten
0:00:46 Charakterisierung von Lernmaschinen
0:01:38 Grundsatz
0:02:47 Lernmaschine
0:05:12 Probleme beim Lernen
0:07:36 Zwei einfache Beispiele
0:09:10 Überwachtes Lernen aus Beispielen
0:10:53 Lernen? Fehlerdefinition
0:12:15 Fehlermaßfunktion
0:13:55 Realer & Empirischer Fehler
0:15:55 Lernen: Fehlerminimierung
0:18:28 Overfitting
0:23:44 Modellwahl
0:25:23 Modellgüte - ""Validierung""
0:28:03 Bootstrap
0:28:33 Bagging = Bootstrap aggregation
0:29:50 Boosting für Klassifikation – ursprünglich Scharpie 1990
0:32:27 AdaBoost - Adaptive Boosting
0:38:24 Adaptive Boosting Beispiel
0:41:01 Speziell: Viola & Jones Objekterkennung [ca. 2001-2003]
0:45:44 Kaskadierung Viola & Jones 2001
0:50:11 Kaskadierung - nach Viola & Jones
0:50:43 AdaBoost - nach Viola & Jones
0:51:56 (Frühe) Ergebnisse von Viola Jones
0:54:59 PAC - Lernbarkeit
0:58:50 PAC - Stichprobenkomplexität
1:00:11 PAC - Beispiel
1:01:50 Vapnik-Chervonenkis (VC) Dimension
1:03:56 VC Dimension Beispiel
1:05:38 VC Diemension – Nutzen 1
1:06:14 VC Diemension – Nutzen 2
1:07:28 Abschätzung des Testfehlers
1:13:20 Lösungsansatz: Structural Risk Minimization
1:17:03 Zusammenfassung
1:17:59 ... und wie geht es weiter in ML
1:18:44 Literatur

Laufzeit (hh:mm:ss)

01:19:26

Serie

Maschinelles Lernen 1 - Grundverfahren, Vorlesung, WS 2016/17

Publiziert am

22.12.2016

Fachgebiet

Informatik

Lizenz

KITopen-Lizenz