
10: Maschinelles Lernen 1 - Grundverfahren, Vorlesung, WS 2018/19, 15.01.2019
Author
Editor
Participating institute
Institut für Angewandte Informatik und Formale Beschreibungsverfahren (AIFB)
Genre
Description
- 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
Duration (hh:mm:ss)
01:26:18
Series
Maschinelles Lernen 1 - Grundverfahren, WS 2018/19
Published on
15.01.2019
Subject area
License
Resolution | 1280 x 720 Pixel |
Aspect ratio | 16:9 |
Audio bitrate | 128000 bps |
Audio channels | 2 |
Audio Codec | aac |
Audio Sample Rate | 48000 Hz |
Total Bitrate | 934007 bps |
Color Space | yuv420p |
Container | mov,mp4,m4a,3gp,3g2,mj2 |
Media Type | video/mp4 |
Duration | 5178 s |
Filename | DIVA-2019-43_hd.mp4 |
File Size | 604.503.621 byte |
Frame Rate | 25 |
Video Bitrate | 799911 bps |
Video Codec | h264 |
Embed Code
Maschinelles Lernen 1 - Grundverfahren, WS 2018/19
Episodes 1-12
of 12