KIT-Bibliothek

04: Maschinelles Lernen 2 - Fortgeschrittene Verfahren, Vorlesung, SS 2018, 18.05.2018

This audio or video file is copyrighted. Access is only allowed via computers of the Karlsruhe Institute of Technology (KIT).

Author

Johann Marius Zöllner

Editor

KIT | Webcast

Participating institute

Institut für Anthropomatik und Robotik (IAR)

Genre

Vorlesung

Description

  • 0:00:00 Start
  • 0:00:42 Übersicht
  • 0:02:39 Motivation - Limitierungen
  • 0:03:10 Limitierung des PRM
  • 0:06:53 Gewünschtes (komplexes) Modell
  • 0:08:26 PRM mit Klassenhierarchien (PRM-CH)
  • 0:10:09 Azyklische Abhängigkeit
  • 0:10:38 Lernen von PRM mit Klassenarchierachie
  • 0:11:28 Strukturbestimmung
  • 0:12:25 Lernen mit Klassenhierachie
  • 0:13:55 Lernen ohne Klassenhierachie
  • 0:15:19 Beispiel: Anwendung auf EachMovie - Datensatz
  • 0:16:34 Beispiel: Einige Abhängigkeiten
  • 0:17:34 Beispiel: (Qualitatives) Ergebnis
  • 0:17:53 Anwendung - CoCar kognitives Automobil
  • 0:19:02 Konzept zur Situationsanalyse im Fahrzeug
  • 0:20:44 Instanzierung des Weltmodells (Teilausschnitt)
  • 0:21:20 Anwendung - Bestimmung der Kollisionsrisiko
  • 0:22:55 Situationsineterpreatation, Verhaltensentscheidung
  • 0:23:23 Zugrundeliegendes Konzept
  • 0:25:15 Ablauf der Schätzung von Interaktionen
  • 0:26:13 Weitere Beispiele - Interaktion und Prädikation
  • 0:30:20 RobustSense: Understanding&Planing, Final Demo 2018
  • 0:37:28 Why is it still challenging and what to do?
  • 0:38:03 One possible aproach: Active Learning
  • 0:39:08 How we can make learning AD safe - options?
  • 0:39:43 Adaptive Autonomous Behaviour
  • 0:40:17 Example: Combining End-to-End- Learning with Particle Swarm Optimization Planner
  • 0:43:32 Deep Learning - Deep Belief Networks
  • 0:46:14 Übersicht
  • 0:48:06 Die Vision
  • 0:52:38 2. Generation Neuronaler Netzte (1985) hat es bereits versucht
  • 0:53:33 Dann ""A temporary digression""
  • 0:54:33 Was war ""falsch"" an Backpropagation
  • 0:56:18 Was war gut an Backpropagation?
  • 0:59:06 Wann sind Netze/Lernverfahren tief ,,deep"" ?
  • 1:00:11 Einteilung Lernverfahren
  • 1:02:27 Belief Netz= korrektes Modell
  • 1:05:00 Einfaches Netz mit stochastischem binären Einheiten
  • 1:06:16 Lernen in ,,Deep"" Belief Nets
  • 1:07:03 Lernen für Sigmoide Belief Netze
  • 1:10:16 Probleme beim Lernen vielschichteger sigmoid Belief Netze
  • 1:12:10 Idee: Einfacher lernbare Netze verwenden
  • 1:13:05 Restricted Boltzmann Machine
  • 1:15:01 Boltzmann Maschinen
  • 1:17:32 Definition: Energie einer Konfiguaration
  • 1:18:35 Gewicht, Energie, Wahrscheinlichkeit,Lernen
  • 1:19:57 Idee des maximum likelihooh Lernalgoritmus für RBM
  • 1:23:58 Schneller Lernalgoritmus für RBM
  • 1:25:04 Abbilden von Ziffern

Duration (hh:mm:ss)

01:32:09

Series

Maschinelles Lernen 2 - Fortgeschrittene Verfahren, Vorlesung, SS 2018

Published on

22.05.2018

Subject area

Computer science

License

KITopen Licence

Resolution 1280 x 720 Pixel
Aspect ratio 16:9
Audio bitrate 128000 bps
Audio channels 2
Audio Codec aac
Audio Sample Rate 48000 Hz
Total Bitrate 934168 bps
Color Space yuv420p
Container mov,mp4,m4a,3gp,3g2,mj2
Media Type video/mp4
Duration 5529 s
Filename DIVA-2018-355_hd.mp4
File Size 645.661.843 byte
Frame Rate 25
Video Bitrate 800066 bps
Video Codec h264

Embed Code