Maschinelles Lernen 1 - Grundverfahren, Vorlesung, WS 2016/17, 20.12.2016, 06

Autor

J. Marius Zöllner

Herausgeber

KIT | Webcast

Beteiligtes Institut

Institut für Anthropomatik und Robotik (IAR)

Genre

Vorlesung

Beschreibung

06 |
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

Laufzeit (hh:mm:ss)

01:22:37

Serie

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

Publiziert am

22.12.2016

Fachgebiet

Informatik

Lizenz

KITopen-Lizenz