07: Maschinelles Lernen 2 - Fortgeschrittene Verfahren, Vorlesung, SS 2017, 21.07.2017

Autor

Stefan Ulbrich

Herausgeber

KIT | Webcast

Beteiligtes Institut

Institut für Anthropomatik und Robotik (IAR)

Genre

Vorlesung

Beschreibung

07 |
0:00:00 Starten
0:00:35 Motivation
0:01:23 Regression: Problemstelung
0:02:42 Regression: Beispiele
0:04:46 Vergleich Klassifikation / Regression
0:07:41 Lineare Regression
0:12:06 Bewertung lineare Regression
0:14:03 Erweiterung der lineaen Regression
0:15:57 Overfitting bei Regression
0:18:31 Probleme mit üblicher Regression
0:20:19 Probabilistische Regression (Idee)
0:22:35 Regression - ein anderer Blickwinkel
0:24:03 Gauss'sche Prozesse
0:25:04 Vorbemerkungen
0:25:53 Grundlagen: Gauß-Verteilung
0:28:53 Grundlagen: Korrelationskoeffizient
0:30:15 Warum Gauß'sche Prozesse?
0:32:04 GP: Informelle Definition
0:35:00 Beispiel zur Illustration
0:37:18 Beispiele für a priori-Eigenschaften
0:38:44 Formaler(er) Blick auf GPs
0:39:28 Definition Gauß'scher Prozess I
0:41:11 Definition Gaussscher Prozess II
0:42:49 GP - Konsistenz
0:43:43 Beispiel für GP
0:44:20 GP - Kovarianzfunktion
0:45:23 Beispiel für GP
0:46:07 Beispiel: Kovarianzfunktionen
0:50:54 GP - a priori-Verteilung über Funktionen (Sampling)
0:51:57 Rauschfreie Prädiktion: Definition
0:53:39 Rauschfreie Prädiktion: Berechnung
0:55:05 Rauschfreie Prädiktion: Definition
0:56:55 Rauschfreie Prädiktion: Beispiel
0:58:27 Prädiktion bei verrauschten Beobachtungen
1:00:46 Einfluss der Hyperparameter I
1:01:44 Einfluss der Hyperparameter II
1:02:50 Zusammenfassung
1:03:19 Anwendungsbeispiel
1:20:35 Style based Inverse Kinematics
1:21:58 SBIK: Ergebnisse I
1:22:18 Literatur

Laufzeit (hh:mm:ss)

01:23:16

Serie

Maschinelles Lernen 2 - Fortgeschrittene Verfahren, Vorlesung, SS 2017

Publiziert am

27.07.2017

Fachgebiet

Informatik

Lizenz

KITopen-Lizenz