08: Maschinelles Lernen 1 - Grundverfahren, Vorlesung, WS 2018/19, 18.12.2018

Autor

Johann Marius Zöllner

Herausgeber

KIT | Webcast

Beteiligtes Institut

Institut für Angewandte Informatik und Formale Beschreibungsverfahren (AIFB)

Genre

Vorlesung

Beschreibung

08 |
0:00:00 Starten
0:01:03 Übersicht
0:02:10 Was ist Lernen nach Bayes?
0:03:37 Warum Lernen nach Bayes?
0:05:18 Lernen nach Bayes: Herausforderungen
0:06:56 Wahrscheinlichkeitstheorie
0:09:00 Theorem von Bayes
0:10:31 Bedingte Unabhängigkeit
0:12:03 Auswahl von Hypothesen
0:13:56 Brute Force Lernen von MAP Hypothesen
0:14:14 BSP: Medizinische Diagnose
0:17:36 Analyse Konzeptlernen
0:23:13 Fazit: Konsistente Lerner
0:24:54 Lernen einer reel-wertigen Funktion
0:30:47 Klassifikation neuer Instanzen
0:32:24 Optimaler Bayes-Klassifikator
0:38:57 Naiver Bayes-Klassifikator
0:44:03 BSP: Tennis Spielen
0:47:55 BSP:Klassifikation von Texten
0:48:35 Schätzen von Attribut-Wahrscheinlichkeiten
0:57:48 Bayessche Netze
1:08:19 EM - BSP: Netzmodell
1:11:25 Mixtur aus k Gaußverteilungen
1:12:08 BSP für die Bestimmung der k Mittelwerte
1:13:49 Eigenschaften des EM Algorithmus
1:14:07 Allgemeines EM Problem
1:14:51 Verfahren
1:17:27 Zusammenfassung

Laufzeit (hh:mm:ss)

01:22:23

Serie

Maschinelles Lernen 1 - Grundverfahren, WS 2018/19

Publiziert am

18.12.2018

Fachgebiet

Informatik

Lizenz

KITopen-Lizenz