todo ergänzt

Readme.md

@@ -3,6 +3,8 @@ Dieses Repo beinhaltet die $\LaTeX$ Informationen für die Zusammenfassung im Fa
 
 ## TO-DO
 - [ ] Qualitätsmaße (https://en.wikipedia.org/wiki/Evaluation_of_binary_classifiers)
+  - [ ] Nachteile von Accuracy
+  - [ ] Fokus auf Accuracy, F1, Precision und Recall 
 - [ ] $w_0$ bei Perzeptron erklären (siehe Feedback Übung 3.1)
 - [ ] Verlustfunktionen aus KI
 - [ ] Backpropagation Rechenbeispiel (Übung ML_2020_11_16, KI Zusammenfassung, Feedback Übung 3.2)
@@ -12,6 +14,16 @@ Dieses Repo beinhaltet die $\LaTeX$ Informationen für die Zusammenfassung im Fa
   - [ ] Beispiele aus ML_2020_11_23 (43:00) miteinbeziehen
 - [ ] Perzeptron ist ein Überbegriff (kann aus mehreren Neuronen bestehen)(Besteht aus Input-Gedöns-Output)
 - [ ] Regularisierung
+  - ist dafür da Overfitting zu vermeiden
+  - Tikhonov Regularisierung (L2-Norm ($L_2(w)=\sqrt{\sum|w|^2}$)) (ridge regression)
+    $$V(y',y) + \lambda L_2^2(w) = V(y',y) + \lambda\sum|w|^2$$
+  - Early stopping
+  - Lasso Regularisierung (L1-Norm($L_1(w)=\sum|w|$))
+    $$V(y',y) + \lambda L_1(w) = V(y',y) + \lambda \sum|w|$$
+  - Pull-out-Technik
+
+- [ ] Dropout
+  - reduziert Neuronen in einer Schicht
 - [ ] Anomaliedetektion (ML_2020_12_21)
 - [ ] Dichteschätzung (ML_2020_12_21)
 ## Hinweise