KIT-Bibliothek
Audio-/Videodatei publizieren

01: Maschinelles Lernen 1 - Grundverfahren, Vorlesung, WS 2018/19, 30.10.2018

Diese Audio- bzw. Video-Datei ist urheberrechtlich geschützt. Der Zugriff ist nur über Rechner des Karlsruher Instituts für Technologie (KIT) erlaubt.

Autor

Johann Marius Zöllner

Herausgeber

KIT | Webcast

Beteiligtes Institut

Institut für Angewandte Informatik und Formale Beschreibungsverfahren (AIFB)

Genre

Vorlesung

Beschreibung

01 |
0:00:00 Start
0:02:37 Charakterisierung von Lernmaschinen
0:04:26 Grundsatz
0:06:02 Lernmaschine
0:07:53 Probleme beim Lernen
0:09:47 Zwei einfache Beispiel
0:11:20 Überwachtes Lernen aus Beispielen
0:13:26 Lernen? Fehlerdefinition
0:14:18 Fehlermaßfunktion
0:16:05 Realer & Empirischer Fehler
0:17:13 Lernen: Fehlerminimierung
0:18:31 Fehlerminimierung als Gradientenabstieg
0:19:41 Overfitiing
0:24:55 Modelwahl
0:25:33 Modellgüte bestimmen
0:26:49 Klassifikation: Ergebnisklassen
0:27:48 Klassifikation: Konfusionsmatrix (Wahrheitsmatrix)
0:28:22 Metriken: Fehler und Güte
0:30:18 MEtriken: Recall und Precision
0:31:06 Finden guter Modelle einer Lernmaschine
0:33:00 Modellgüte bestimmen - Datenabhängig
0:34:39 Bootstrap
0:35:35 Bagging = Bootstrap aggregation
0:36:59 Boosting für Klassifikation - ursprünglich Schapire 1990
0:39:09 AdaBoost - Adaptive Boosting
0:42:31 Adaptive Boosting Beispiel
0:42:55 Adaptive Boosting Beispiel - erster Klassifikator
0:43:44 Adaptive Boosting Beispiel - zweiter Klassifikator
0:44:08 Adaptive Boosting Beispiel - dritter Klassifikator
0:44:23 Adaptive Boosting Beispiel - finaler Klassifikator
0:44:46 Speziell: Viola &Jones Objekterkennung
0:47:26 Kaskadierung Viola & Jones
0:50:18 Exkurs - Generative Adeversial Networks GANN
0:56:32 PAC - Lernbarkeit
0:58:55 PAC - Stichprobenkomplexität
1:00:15 PAC - Beispiel
1:01:18 Vapnik-Chervonenkis (VC) Dimension
1:04:12 VC Dimension Bespiel
1:06:51 Abschätzung des Testfehlers
1:09:13 Lösungsansatz: Struktural Risk Minimization
1:14:18 Literatur
1:15:38 Zusammenfassung
1:16:38 Die induktive Lernhypothese
1:17:15 Konsistenz und Vollstönfigkeit im Hypothesenraum - Beispieöe
1:18:10 Visionraum
1:19:21 Vorzugskriterien (Bias)

Laufzeit (hh:mm:ss)

01:21:30

Serie

Maschinelles Lernen 1 - Grundverfahren, WS 2018/19

Publiziert am

02.11.2018

Fachgebiet

Informatik

Lizenz

KITopen-Lizenz

Auflösung 1280 x 720 Pixel
Seitenverhältnis 16:9
Audiobitrate 128000 bps
Audio Kanäle 2
Audio Codec aac
Audio Abtastrate 48000 Hz
Gesamtbitrate 934328 bps
Farbraum yuv420p
Container mov,mp4,m4a,3gp,3g2,mj2
Medientyp video/mp4
Dauer 4890 s
Dateiname DIVA-2018-789_hd.mp4
Dateigröße 571.105.959 byte
Bildwiederholfrequenz 25
Videobitrate 800228 bps
Video Codec h264

Embed-Code