
Maschinelles Lernen 1 - Grundverfahren, Vorlesung, WS 2016/17, 20.12.2016, 06
Author
Editor
Participating institute
Institut für Anthropomatik und Robotik (IAR)
Genre
Description
- 0:00:00 Starten
- 0:00:24 Übersicht
- 0:01:37 Was ist Lernen nach Bayes?
- 0:02:53 Warum Lernen nach Bayes?
- 0:03:44 Lernen nach Bayes: Schwierigkeiten
- 0:04:48 Wahrscheinlichkeitstheorie
- 0:06:48 Theorem nach Bayes
- 0:08:50 Beispiel: Medizinische Diagnose
- 0:12:11 Auswahl von Hypothesen
- 0:15:59 Brute Force Lernen von MAP-Hypothesen
- 0:16:43 Konzeptlernen
- 0:23:11 Lernen einer reell-wertigen Funktion
- 0:26:42 Klassifikation neuer Instanzen
- 0:29:02 Optimaler Bayes-Klassifikator
- 0:34:01 Naiver Bayes-Klassifikator
- 0:41:20 Beispiel
- 0:45:07 Schätzen von Wahrscheinlichkeiten
- 0:47:53 Klassifikation von Texten
- 0:56:32 Bayes'sche Netze
- 1:06:40 Der EM-Algorithmus
- 1:07:20 EM - Mixtur aus k Gaußverteilungen
- 1:09:12 EM für die Bestimmung der k Mittelwerte
- 1:11:06 EM - Modell - ""anschaulich""
- 1:15:51 Eigenschaften des EM-Algorithmus
- 1:18:54 Zusammenfassung
- 1:21:02 Einordnung
Duration (hh:mm:ss)
01:22:37
Series
Maschinelles Lernen 1 - Grundverfahren, Vorlesung, WS 2016/17
Published on
22.12.2016
Subject area
License
Resolution | 1280 x 720 Pixel |
Aspect ratio | 16:9 |
Audio bitrate | 88873 bps |
Audio channels | 2 |
Audio Codec | aac |
Audio Sample Rate | 48000 Hz |
Total Bitrate | 893573 bps |
Color Space | yuv420p |
Container | mov,mp4,m4a,3gp,3g2,mj2 |
Media Type | video/mp4 |
Duration | 4957 s |
Filename | DIVA-2016-844_hd.mp4 |
File Size | 4.096 byte |
Frame Rate | 25 |
Video Bitrate | 798607 bps |
Video Codec | h264 |
Embed Code
Maschinelles Lernen 1 - Grundverfahren, Vorlesung, WS 2016/17
Episodes 1-11
of 11