Maschinelles Lernen 1 - Grundverfahren, Vorlesung, WS 2016/17, 13.12.2016, 05

Autor

Rüdiger Dillmann

Herausgeber

KIT | Webcast

Beteiligtes Institut

Institut für Anthropomatik und Robotik (IAR)

Genre

Vorlesung

Beschreibung

05 |
0:00:00 Starten
0:00:10 Einführung: Entscheidungsbäume
0:08:26 Übersicht zur Vorlesung Entscheidungsbäume
0:10:37 Entscheidungsbaum für Beispiel ""Tennis spielen""
0:13:05 Entscheidungsbäume
0:15:06 Für welche Problemstellungen eignen sich EB
0:15:58 Lernen von EB: Verfahren
0:19:32 ID3: Top down Aufbau von EB
0:21:39 ID3: Auswahl des besten Testattributs?
0:22:28 Entropie
0:25:26 Informationsgewinn
0:27:18 Beispiele
0:30:13 ID3: Suche im Hypothesenraum 1
0:32:43 Allgemein: Präferenz- / Restriktions-Bias
0:33:33 ID3: Induktiver Bias
0:34:52 Occam's Razor
0:36:03 ID3: Overfitting
0:40:09 Vermeidung von Overfitting
0:41:48 X2-Test für stochastische Unabhängigkeit
0:42:32 Reduced Error Pruning
0:43:42 Attribute mit vielen Werten
0:44:52 Kontinuierliche Attributwerte
0:47:17 Unbekannte Attributwerte
0:48:08 Attribute mit Kosten
0:48:55 ID3: Window
0:50:15 ID3: Zusammenfassung
0:51:28 Einordnung
0:53:39 C4.5
0:56:02 Umwandlung in Regeln
0:56:21 Einordnung
0:56:52 ID5R:
0:57:35 ID5R: Repräsentation der EB
0:58:31 ID5R: Beispiel
1:00:14 ID5R: Baum Update Algorithmus
1:02:03 ID5R: Restruktrierung
1:02:28 ID5R: Weitere Beispiele
1:03:59 Einordnung
1:04:56 Random Forests
1:09:26 Random Decision Trees
1:10:41 Zusammenfassung
1:12:44 Demo-Applet

Laufzeit (hh:mm:ss)

01:15:51

Serie

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

Publiziert am

22.12.2016

Fachgebiet

Informatik

Lizenz

KITopen-Lizenz