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

Autor

Johann Marius Zöllner

Herausgeber

KIT | Webcast

Beteiligtes Institut

Institut für Anthropomatik und Robotik (IAR)

Genre

Vorlesung

Beschreibung

04 |
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

Laufzeit (hh:mm:ss)

01:32:09

Serie

Maschinelles Lernen 2 - Fortgeschrittene Verfahren, Vorlesung, SS 2018

Publiziert am

22.05.2018

Fachgebiet

Informatik

Lizenz

KITopen-Lizenz