Zusammenfassung Maschinelles Lernen

Dieses Repo beinhaltet die \LaTeX Informationen für die Zusammenfassung im Fach Maschinelles Lernen.

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)

• Backpropagation Rechenbeispiel (Übung ML_2020_11_16, KI Zusammenfassung, Feedback Übung 3.2)

  • Gradientenverfahren aus KI
  • inkl. mehrere Schichten (Übung 3.3)

• Begründung für Anzahl von Neuronen in der verdeckten Schicht (ML_2020_11_23)

  • 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|

• Dropout

  • reduziert Neuronen in einer Schicht

• Anomaliedetektion (ML_2020_12_21)

• Dichteschätzung (ML_2020_12_21)

Hinweise

Requires you to enable --shell escape