03: Maschinelles Lernen 1 - Grundverfahren, Vorlesung, WS 2018/19, 13.11.2018

Autor

Johann Marius Zöllner

Herausgeber

KIT | Webcast

Beteiligtes Institut

Institut für Angewandte Informatik und Formale Beschreibungsverfahren (AIFB)

Genre

Vorlesung

Beschreibung

03 |
0:00:00 Start
0:01:20 Inhaltsübersicht
0:02:11 Hubel und Wiesel
0:04:02 ,,Bildverarbeitung'' bei Säugetieren
0:04:53 Erste künstliche Ansätze
0:06:41 Faltung
0:07:10 Faltung theoretisch
0:08:35 Faltung praktisch im Beispiel
0:10:08 Faltung anschaulich
0:11:51 Warum CNNs?
0:16:15 Von KNN zu CNN
0:16:36 LeNet
0:18:48 Datenfluss im Netz
0:19:31 Pooling Layer
0:21:57 Convolution Layer
0:23:32 Faltung im Detail
0:24:24 Stride
0:26:25 Größenreduktion: Stride Conv. vs. Pooling
0:28:03 Randbetrachtung
0:29:26 Padding
0:30:28 Padding - Mögliche Probleme
0:30:47 Dropout
0:31:34 Rückblick Perceptron
0:31:59 Activation Layer
0:33:07 Aktivierungsfunktionen
0:34:19 Features
0:37:00 Features in CNN
0:37:39 Hierarchische Features
0:38:59 Wie sehen solche Filter aus?
0:42:29 Filter in Layer 1
0:50:18 Entwickelung der Features beim Training
0:50:33 Weight Sharing
0:51:23 Intialisierung der Gewichte
0:52:50 Wo stehen wir bis jetzt
0:53:26 Klassifikator
0:54:18 Performanz
0:55:58 MINST
0:56:24 Wrum diese Erfolge
0:57:10 Architekturanalyse: LeNet
0:57:47 Architekturanalyse: AlexNet
0:58:39 Architekturanalyse: VGG-16
0:59:24 Architekturanalyse: GoogleNet
1:00:13 Inception - We need to go deeper
1:00:26 ResNet
1:01:27 Revolution of Depth
1:02:28 Warum nicht Detektion im Netz?
1:04:49 Fully Convolutional Networks (FCN)
1:05:19 Ausgabe eines FCN
1:06:48 Erweiterungen - Ausblick auf ML2
1:09:14 Literatur

Laufzeit (hh:mm:ss)

01:10:11

Serie

Maschinelles Lernen 1 - Grundverfahren, WS 2018/19

Publiziert am

15.11.2018

Fachgebiet

Informatik

Lizenz

KITopen-Lizenz