05: Maschinelles Lernen 2 - Fortgeschrittene Verfahren, Vorlesung, SS 2018, 25.05.2018

Autor

Johann Marius Zöllner

Herausgeber

KIT | Webcast

Beteiligtes Institut

Institut für Anthropomatik und Robotik (IAR)

Genre

Vorlesung

Beschreibung

05 |
0:00:00 Start
0:00:37 Übersicht über die Vorlesung
0:02:24 Restricted Boltzmann Maschine
0:03:45 Boltzmann Maschinen
0:04:05 Schneller Lernalgorithmus für RBM
0:05:26 Übergang vom RBM zum Tiefen Netz
0:07:45 Fine-tuning der Lernens: constrastive ""wake-sleep"" Algorithmus
0:12:09 Funktionsweise Kaskadiertes RBM - Generativ
0:13:41 Beispiel: Ziffernerkennung
0:17:21 Generierte Samples
0:18:17 Erweiterung: Entscheidungsmodelle Backpropagation? Wie?
0:19:47 Fine-Tuning für Diskrimination
0:21:56 Warum funktioniert backpropagation besser nach gready pre-training?
0:26:23 Validierungsbeispiel: Fehler auf dem MNIST Testdatensatz
0:27:31 Fazit (so weit)
0:28:36 Deep Autoencoders
0:32:25 Vergleich: Komprimieren von Bildern auf 30 Dimensionen
0:33:12 Anwendung: Ähnliche Dokumente
0:34:48 Komprimieren
0:37:13 Repräsentation der Zeit
0:39:21 Möglichkeit: Zeitfenster-Technik
0:40:18 Frühe Anwendung: Lauron mit NN
0:41:52 TDNN - Time Delay Neural Networks
0:43:06 Deep Learning - Zeitreihenmodelle
0:43:29 Conditional RBM Modell
0:45:59 Anwendung: Lernen aus motion capture data
0:50:40 Ähnlich: Prädikation von Bewegungen
0:55:11 Convolutional Neural Networks
0:56:58 Inhaltsübersicht
0:57:37 Hubel & Wiesel
1:01:44 Bildverarbeitung bei Säugetiere
1:02:55 erste künstliche Ansätze
1:05:11 Faltung
1:07:20 Faltung praktisch im Beispiel
1:08:58 Faltung anschaulich
1:11:03 Von KNN zu CNN

Laufzeit (hh:mm:ss)

01:12:19

Serie

Maschinelles Lernen 2 - Fortgeschrittene Verfahren, Vorlesung, SS 2018

Publiziert am

25.05.2018

Fachgebiet

Informatik

Lizenz

KITopen-Lizenz