05: Maschinelles Lernen 1 – Grundverfahren, Vorlesung, WS 2017/18, 28.11.2017

Autor

Johann Marius Zöllner

Herausgeber

KIT | Webcast

Beteiligtes Institut

Institut für Anthropomatik und Robotik (IAR)

Genre

Vorlesung

Beschreibung

05 |
0:00:00 Starten
0:03:36 Grundsatz
0:04:23 Überwachtes Lernen aus Beispielen (Wdh.)
0:05:46 Abschätzung des Testfehlers (VC - Dim.)
0:08:13 Lösungsansatz: Structural Risk Minimization
0:09:59 Support Vektor Methode
0:11:36 Lineare Support Vektor Methode
0:13:06 SV - Methode, Trennebene
0:15:20 SV - Methode, Formalisierung
0:16:40 SV - Optimierung, Problem
0:18:22 Minimierung: Lagrange - Methode
0:24:17 Support Vektoren
0:26:21 Erweiterung der Linearen Trennung?
0:27:57 Soft Margin - Hyperebene
0:28:53 Generalisierte optimale Hyperebene
0:36:35 Komplexere Fälle
0:37:07 Nichtlineare Kernel-Methoden
0:42:39 Kernel-Trick, Nichtlineare SVM
0:46:04 Kernel Funktionen
0:49:07 SVM Architektur
0:51:25 Beispiele
0:54:55 Version Space für SVM
0:58:45 Wieso SRM bei SVM?
1:00:53 Eigenschaften der SVM
1:06:01 Erweiterungen SVM - Klassifikation
1:08:16 Gewichtete SVM
1:10:27 Dichte - Träger Schätzung
1:11:46 SVM Dichte - Träger Schätzung
1:12:53 Weitere Kernel Methoden
1:19:07 Kernel Perceptron
1:19:17 Weitere Anwendungen der SV-Methode
1:21:19 SVM: Anwendungen/Diskussion
1:21:34 SVM - Gender Classification
1:24:15 SVM - Gesichtserkennung
1:25:53 Erkennung von Verkehrszeichen
1:27:34 Erkennung von Verkehrsflächen
1:29:02 Wetterklassifikation
1:29:54 Erkennung von Aktionen
1:31:16 Pro und Kontra SVM
1:32:03 Literatur

Laufzeit (hh:mm:ss)

01:32:33

Serie

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

Publiziert am

30.11.2017

Fachgebiet

Informatik

Lizenz

KITopen-Lizenz