Maschinelles Lernen & Künstliche Intelligenz in der Theorie

• Einleitung

• Die Daten

• Konzept, Klassifikation und Regression

• Deduktion und Induktion

• Überwachtes und unüberwachtes Lernen

• Fehlerminimierung

• Gradientenabstieg

• Overfitting

• Abstandsmaße

• Teste dich!

• K-Nearest Neighbours

• KNN: Mathematik

• gewichteter KNN

• Case-based Reasoning

• Teste dich!

• Teil 1

• Teil 2

• Konzeptlernen

• k-Means Clustering

• Fuzzy K-Means Clustering

• Dendrogramme

• Cobweb #1

• Cobweb #2

• Was ist der Unterschied zwischen k-Means und kNN?

• Einleitung

• Das Bayes-Theorem

• Die Maximum A Posteriori Hypothese

• Konzeptlernen

• Funktionslernen

• Optimaler Bayes

• Der Naive Bayes-Klassifikator

• Schätzen von Werten

• Bayes'sche Netze

• Bedingte Unabhängigkeiten in Bayes'schen Netzen #1

• Bedingte Unabhängigkeiten in Bayes'schen Netzen #2

• D-Separation

• Objektorientierte Probabilistisch Relationale Modelle OPRM

• Parameterschätzung in OPRMs

• Strukturbestimmung in OPRMs

• Der EM-Algorithmus

• Teste dich!

• Naiver Bayes Klassifikator

• Einleitung

• Der ID3-Algorithmus

• Entropie und Informationsgewinn

• Reduced Error Pruning

• Attribute mit vielen Werten und kontinuierliche Werte

• Random Forests

• Diskrete Markov Modelle

• Hidden Markov Modelle

• Das Evaluationsproblem und der Forward-Backward-Algorithmus

• Das Dekodierungsproblem und der Viterbi-Algorithmus

• Der Baum-Welch-Algorithmus

• Der Baum-Welch-Algorithmus #2

• Typen von HMMs

• Einleitung

• Explanation Based Learning

• Knowledge Based Neural Networks

• Probabilistische Graphische Modelle

• Markov Logik Netze

• Der MAP-Algorithmus

• Generatives Lernen

• Der Grundalgorithmus

• Mutationen

• Rekombinationen

• Selektion

• Fitness Based Selection

• Ranking Based und Tournament Selection

• Evolutionäre Algorithmen

• Lernen durch Bestrafung

• Die State-Value Function

• Q-Learning

• Living Reward und Exploration

• TD-Learning und SARSA

• Options und Semi-MDP

• Hierarchical Abstract Machines

• Reinforcement Learning

• Einleitung

• Die Lagrange Methode

• Das Duale Optimierungsproblem

• Soft Margin

• Nicht-lineare SVMs und der Kernel-Trick

• Einleitung

• Self Learning

• Co-Training

• Unlabeling und SVMlight

• Aktives Lernen

• Teste dich!

• Perzeptronen

• Perzeptron Training

• Varianten des Trainings

• Die Phi / Aktivierungsfunktion

• Mean Square Error

• Multiclass Problem der Perzeptronen

• Feed-Forward Neuronale Netze

• Backpropagation

• Rechnung der Output-Neuronen

• Rechnung der anderen Neuronen

• Die Softmax-Fehlerfunktion

• Der Cross-Entropy Error

• Überspringen von Beispielen

• dynamische Lernraten

• Initiale Gewichte und Offsets

• Quickpropagation

• Weight Elimination

• Optimal Brain Damage

• Cascade Correlation

• Deep Neural Networks

• Hopfield Netze

• (Restricted) Boltzmann Machines

• Cascaded Restricted Boltzmann Machines

• Autoencoder

• Denoising Autoencoder

• Bottleneck Features

• Reinforcement Learning mit NNs

• Monte Carlo Search Trees

• Convolutional NNs

• Rekurrente Neuronale Netze

• LSTMs - Linear Short Term Memory

• Design eines neuronalen Netzes

• Generative Adversarial Neural Networks - GANs

• Die Präsentationsdatei