10: Maschinelles Lernen 1 - Grundverfahren, Vorlesung, WS 2018/19, 15.01.2019

Autor

Johann Marius Zöllner

Herausgeber

KIT | Webcast

Beteiligtes Institut

Institut für Angewandte Informatik und Formale Beschreibungsverfahren (AIFB)

Genre

Vorlesung

Beschreibung

10 |
0:00:00 Starten
0:00:58 Sum-Product Networks Allgemeines
0:05:09 Motivation- Warum SPNs ?
0:07:01 Arten von grafisch-probabilistischen Modellen
0:09:42 Definition SPNs
0:11:22 Netzwerkpolynom
0:17:36 Eigenschaften und Validität von SPNs
0:20:20 Semantik in SPNs
0:23:30 Inferenz in SPNs
0:25:39 Inferenz- Beispiel SPN
0:26:04 Inferenz- Likelihood/Wahrscheinlichkeit in SPNs
0:31:04 Inferenz- Most Probable Explanation (MPE)
0:33:46 Inferenz -Ziehen von Stichproben (Sampling)
0:36:17 Behandlung von diskreten und kontinuierlichen Variablen
0:38:09 Parameterlernen bei SPNs
0:41:27 Diskriminative SNPs (z.B. Klassifikation)
0:44:35 Gradienten für generatives Lernen von SPNs
0:47:24 Backpropagation (BackpropSPN)
0:54:24 Vanishing Gradient - Lösung für SPN
0:56:12 Harte Gradienten für diskriminatives Lernen von SPNs
0:59:07 Hartes EM für Generatives Lernen
1:00:27 Strukturlernen
1:02:34 LearnSPN - Beispiel
1:08:13 Exkurs LearnSPN- Übersicht
1:08:48 Anwendungen von Sum-Product Networks
1:09:20 Datenvervollständigung - Kamerabilder
1:13:20 Aktionserkennung in Bildern
1:16:16 Semantische Karten -GraphSPN
1:22:11 Zusammenfassung

Laufzeit (hh:mm:ss)

01:26:18

Serie

Maschinelles Lernen 1 - Grundverfahren, WS 2018/19

Publiziert am

15.01.2019

Fachgebiet

Informatik

Lizenz

KITopen-Lizenz