Maschinelles Lernen 1 - Grundverfahren, Vorlesung, WS 2016/17, 06.12.2016, 04

Autor

J. Marius Zöllner

Herausgeber

KIT | Webcast

Beteiligtes Institut

Institut für Anthropomatik und Robotik (IAR)

Genre

Vorlesung

Beschreibung

04 |
0:00:00 Starten
0:00:47 Grundsatz
0:01:24 Überwachtes Lernen aus Beispielen (Wdh.)
0:02:29 Abschätzung des Testfehlers (VC-Dim.)
0:04:34 Lösungsansatz: Structural Risk Minimization
0:07:03 Support Vektor Methode
0:07:36 Lineare Support Vektor Methode
0:09:50 SV – Methode, Trennebene
0:11:17 SV – Methode, Formalisierung
0:13:02 SV – Optimierung, Problem
0:14:10 Minimierung: Lagrange - Methode
0:17:41 Support Vektoren (1)
0:20:14 Beispiel (1)
0:22:33 Generalisierte optimale Hyperebene
0:25:23 Support Vektoren (2)
0:27:29 Beispiel (2)
0:27:45 Nichtlineare Kernel-Methoden (SVM)
0:29:50 Kernel-Trick, Nichtlineare SVM
0:33:23 Kernel Funktionen
0:35:38 SVM Architektur
0:39:14 Beispiel (3)
0:40:07 Version Space für SVM
0:45:18 Wieso SRM bei SVM?
0:46:41 Eigenschaften der SVM
0:47:51 Erweiterungen SVM -Klassifikation
0:50:21 Gewichtete SVM
0:53:25 Dichte – Träger Schätzung
0:55:29 Weitere Kernel Methoden
0:58:05 Kernel Perceptron
0:58:39 Weitere Anwendungen der SV-Methode
1:01:04 SVM: Anwendungen/Diskussion
1:01:28 SVM – Gender Classification
1:06:38 SVM - Gesichterkennung
1:08:32 Erkennung v. Verkehrszeichen
1:15:38 Wetterklassifikation
1:15:51 Erkennung von Aktionen
1:18:07 Pro und Kontra SVM

Laufzeit (hh:mm:ss)

01:22:30

Serie

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

Publiziert am

22.12.2016

Fachgebiet

Informatik

Lizenz

KITopen-Lizenz