04: Maschinelles Lernen 2 - Fortgeschrittene Verfahren, Vorlesung, SS 2018, 18.05.2018
Author
Editor
Participating institute
Institut für Anthropomatik und Robotik (IAR)
Genre
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
License
| 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
Maschinelles Lernen 2 - Fortgeschrittene Verfahren, Vorlesung, SS 2018
Episodes 1-11
of 11
