04: Maschinelles Lernen 1 – Grundverfahren, Vorlesung, WS 2017/18, 21.11.2017

Autor

Rüdiger Dillmann

Herausgeber

KIT | Webcast

Beteiligtes Institut

Institut für Anthropomatik und Robotik (IAR)

Genre

Vorlesung

Beschreibung

04 |
0:00:00 Starten
0:05:22 Übersicht zur heutigen Vorlesung
0:07:04 Entscheidungsbaum zur Vorhersage von günstigen Wetterbedingungen für ,,Tennis spielen''
0:09:33 Entscheidungsbäume als Werkzeug zum Lernen aussagekräftiger Attribute für reale Sachverhalte
0:12:52 Lernen von EB: Klassische Verfahren zur Datenanalyse
0:15:06 Top Down Ansatz für das Erlernen von EBs
0:19:38 mID3: Top Down Generierung von EB
0:29:07 ID3: Auswahl des besten Testattributs?
0:29:34 Entropie I
0:31:42 Entropie II
0:32:49 Entropie III (zusätzliche Erklärung)
0:33:49 Informationsgewinn
0:36:43 Beispiel I
0:37:49 Beispiel II
0:38:36 Beispiel III
0:39:50 ID3: Suche im Hypothesenraum I
0:45:15 ID3: Suche im Hypothesenraum II
0:46:11 Allgemein: Präferenz-/ Restriktions-Bias
0:47:18 ID3: Induktiver Bias
0:49:06 Occam's Razor
0:49:58 ID3: Oversitting I
0:50:51 Beispiel
0:52:47 ID3: Oversitting II
0:53:58 ID3: Oversitting III
0:55:20 Vermeidung von Overfitting
0:56:57 Reduced Error Pruning I
0:57:55 Reduced Error Pruning II
0:58:34 Attribute mit vielen Werten
0:59:16 Kontinuierliche Attributwerte I
1:00:14 Kontinuierliche Attributwerte II
1:01:17 Unbekannte Attributwerte
1:02:27 Attribute mit Kosten
1:04:01 ID3: Window
1:05:57 ID3: Zusammenfassung
1:07:26 Einordnung
1:09:38 C4.5
1:11:30 C4.5: Rule Post-Pruning
1:12:27 Beispiel: Regeln
1:13:19 C4.5: Abschätzung der Güte der Regeln
1:13:34 Umwandlung in Regeln
1:14:12 Einordnung
1:14:43 ID5R
1:15:20 ID5R: Repräsentation der EB
1:16:24 ID5R: Beispiel

Laufzeit (hh:mm:ss)

01:16:54

Serie

Maschinelles Lernen 1 - Grundverfahren, Vorlesung, WS 2017/18

Publiziert am

23.11.2017

Fachgebiet

Informatik

Lizenz

KITopen-Lizenz