Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
PyTorch for Deep Learning & Machine Learning – Vollständiger Kurs (Beschreibung der Teile 25-26)
PyTorch für Deep Learning & maschinelles Lernen – Vollständiger Kurs
Teil 25
Teil 26
Kein Blackbox-Kurs für maschinelles Lernen – Lernen ohne Bibliotheken
Kein Blackbox-Kurs für maschinelles Lernen – Lernen ohne Bibliotheken
00:00:00 - 01:00:00 In diesem YouTube-Video stellt der Kursleiter einen No-Black-Box-Kurs zum maschinellen Lernen vor, der lehrt, wie man beim maschinellen Lernen programmiert, ohne auf Bibliotheken angewiesen zu sein. Der Kurs behandelt Themen im Zusammenhang mit dem Erstellen einer Web-App, die Zeichnungen erkennt, einschließlich Datenerfassung, Merkmalsextraktion und -visualisierung sowie die Implementierung von Klassifikatoren wie „nächster Nachbar“ und „k nächster Nachbar“. Der Kursleiter betont, wie wichtig es ist, Daten beim maschinellen Lernen zu verstehen, und schlägt Ressourcen für diejenigen vor, die ihre Mathematik- und Programmiererfahrung an der High School auffrischen müssen. Das Video demonstriert den Prozess zum Erstellen einer Webseite, die als Datenersteller mit JavaScript ohne externe Bibliotheken fungiert. Der Presenter enthält auch Anweisungen zum Erstellen einer Rückgängig-Schaltfläche und eines Namenseingabefelds, zum Speichern von Zeichnungen in einem Datenobjekt und zum Speichern der Pfade auf dem Computer des Benutzers. Schließlich zeigt das Video, wie Sie einen Dataset-Generator in node.js erstellen und mit JavaScript Daten generieren, die jedem Beispiel zugeordnet sind.
01:00:00 - 02:00:00 In diesem YouTube-Video zeigt der Kursleiter den Zuschauern, wie sie einen Datensatz für maschinelles Lernen erstellen und Features extrahieren, ohne Bibliotheken zu verwenden. Sie demonstrieren, wie das Dataset in einem Ordner gespeichert wird, der zwischen Knotenskripten und Web-Apps kommunizieren und eine Datenanzeige-App erstellen kann. Der Kursleiter zeigt auch, wie gesammelte Daten mithilfe von Google-Diagrammen visualisiert werden und wie ausgewählte Elemente in Diagramm und Liste identifiziert und hervorgehoben werden. Insgesamt bietet das Video eine umfassende Anleitung für Lernende zum Erstellen von Datensätzen für maschinelles Lernen und zum Extrahieren von Funktionen nur mit JavaScript. 02:00:00 - 03:00:00 Das Video „Kein Blackbox-Kurs für maschinelles Lernen – Lernen ohne Bibliotheken“ zeigt, wie Zeichnungen basierend auf ihren Merkmalen klassifiziert werden, ohne Bibliotheken für maschinelles Lernen zu verwenden. Der Videoersteller betont, wie wichtig es ist, ein schnelles und reaktionsschnelles System zur Überprüfung von Daten zu haben, um manuelle Fehler zu vermeiden. Sie demonstrieren, wie man Funktionen zum Diagramm hinzufügt, wie man den Hintergrund ausblendet und wie man vorhergesagte Beschriftungen auf dem Bildschirm anzeigt, indem man dynamische Container mit HTML und CSS verwendet. Das Video behandelt auch Datenskalierungstechniken wie Normalisierung und Standardisierung. Schließlich zeigt das Video, wie der K-Nächste-Nachbarn-Klassifikator implementiert und die Anzahl jedes Labels innerhalb der K-Nächsten-Nachbarn gezählt wird.
03:00:00 - 03:50:00 Das YouTube-Video „No Black Box Machine Learning Course – Learn Without Libraries“ behandelt verschiedene Themen im Zusammenhang mit der K-nächsten-Nachbarn-Klassifizierung, ohne maschinelle Lernbibliotheken wie JavaScript und Python zu verwenden. Das Video erklärt, wie Sie Datensätze in Trainings- und Testsätze aufteilen, Trainings- und Testbeispiele getrennt handhaben und die Daten normalisieren. Der Kursleiter erörtert auch die Bedeutung von Entscheidungsgrenzen für das Verständnis der Funktionsweise eines Klassifikators, demonstriert, wie ein K-Nächster-Nachbar-Klassifikator (KNN) in JavaScript implementiert und ein pixelbasiertes Diagramm ohne Verwendung von Bibliotheken für maschinelles Lernen generiert wird. Schließlich endet das Video mit einem Aufruf an die Zuschauer, zusätzliche Funktionen von Python zu erkunden und über das bisher Gelernte nachzudenken.
Teil 1
Teil 2
Teil 3
Teil 4
MIT 6.034 „Künstliche Intelligenz“. Herbst 2010. Vorlesung 1. Einführung und Geltungsbereich
1. Einführung und Geltungsbereich
Dieses Video ist eine Einführung in den MIT 6.034-Kurs „Künstliche Intelligenz“. Der Professor erklärt die Definition von künstlicher Intelligenz und ihre Bedeutung und geht anschließend auf die Denkmodelle und Repräsentationen ein, die für das Verständnis des Themas wichtig sind. Abschließend bietet das Video einen kurzen Überblick über den Kurs, einschließlich der Berechnung der Note und des Ablaufs von Quiz und Finale.
Vorlesung 2. Argumentation: Zielbäume und Problemlösung
2. Argumentation: Zielbäume und Problemlösung
Dieses Video behandelt Argumentation, Zielbäume und Problemlösung. Es stellt eine Technik namens "Problemreduktion" vor und erklärt, wie sie zur Lösung von Rechenproblemen verwendet werden kann. Außerdem wird erläutert, wie heuristische Transformationen zur Lösung von Problemen verwendet werden und wie Wissen zur Lösung von Problemen in komplexen Domänen verwendet werden kann.
Vorlesung 3. Reasoning: Zielbäume und regelbasierte Expertensysteme
3. Begründung: Zielbäume und regelbasierte Expertensysteme
Dieses Video erklärt, wie ein regelbasiertes Expertensystem funktioniert. Das System wurde entwickelt, um Probleme zu lösen, die mit herkömmlicheren Methoden schwer zu lösen sind. Das System besteht aus mehreren Regeln, die durch und Tore verbunden sind, wodurch das System ein bestimmtes Tier sicher erkennen kann.
Vorlesung 4. Suche: Depth-First, Hill Climbing, Beam
4. Suche: Tiefe zuerst, Hill Climbing, Beam
In diesem YouTube-Video erläutert Patrick Winston verschiedene Suchalgorithmen, darunter Tiefensuche, Hill Climbing, Beam und Best-first-Suche. Anhand einer Karte als Beispiel demonstriert er die Vor- und Nachteile der einzelnen Algorithmen und wie das Verständnis verschiedener Suchmethoden die Fähigkeiten zur Problemlösung verbessern kann. Winston erörtert auch die Anwendung von Suchalgorithmen in intelligenten Systemen, indem er das Genesis-System verwendet, um Fragen zur Macbeth-Geschichte zu beantworten. Er stellt auch das Konzept eines Pyrrhussieges vor und wie Suchprogramme solche Situationen entdecken können, indem sie Grafiken durchsehen und ihre Ergebnisse auf Englisch melden. Insgesamt bietet das Video einen umfassenden Überblick über Suchalgorithmen und deren praktischen Einsatz in realen Szenarien.
Vorlesung 5. Suche: Optimal, Branch and Bound, A*
5. Suche: Optimal, Branch and Bound, A*
Das Video diskutiert mehrere Suchalgorithmen, um den kürzesten Weg zwischen zwei Orten zu finden, wobei der Schwerpunkt auf dem Beispiel der Route 66 zwischen Chicago und Los Angeles liegt. Das Video stellt das Konzept der heuristischen Distanz vor und bietet Beispiele für verschiedene Suchalgorithmen wie Hill Climbing, Beam Search und Branch and Bound. Der Referent betont die Bedeutung der Verwendung zulässiger und konsistenter Heuristiken im A*-Algorithmus zur Optimierung der Suche. Darüber hinaus stellt das Video die Effektivität der Verwendung einer erweiterten Liste und Luftlinienentfernungen zur Bestimmung der Untergrenzen auf dem kürzesten Weg fest. Letztendlich schließt das Video mit dem Versprechen, im nächsten Vortrag weitere Verfeinerungen des A*-Algorithmus zu diskutieren.
Vorlesung 6. Suche: Spiele, Minimax und Alpha-Beta
6. Suche: Spiele, Minimax und Alpha-Beta
Das Video diskutiert die Geschichte des Spielens in der KI, beginnend mit dem berühmten Dreyfus-Zitat, dass Computer kein Schach spielen können. Die Referenten erklären, warum Wenn-Dann-Regeln in Spielprogrammen nicht effektiv sind und eine tiefere Analyse und Strategie erforderlich sind. Sie führen den Minimax-Algorithmus und das Konzept des Alpha-Beta-Pruning ein, um die Effizienz der Spielsuche zu optimieren. Das Video untersucht auch Techniken wie die Minimierung der Kosten von Versicherungspolicen und die progressive Vertiefung. Der Redner kommt zu dem Schluss, dass Bulldozer-Intelligenz zwar wichtig ist, aber nicht unbedingt die gleiche Art von Intelligenz ist, die Menschen in ihren eigenen Köpfen haben.
Vorlesung 7. Einschränkungen: Interpretieren von Strichzeichnungen
7. Einschränkungen: Interpretieren von Strichzeichnungen
Das Video diskutiert die Entwicklung eines Constraint-Resolution-Problems für die Interpretation von Strichzeichnungen, das mit dem Versuch begann, einen Computer zu entwickeln, der einfache Objekte sehen kann. Die Arbeit des Experimentalisten Guzman wurde analysiert, was zu David Huffmans Ansatz führte, in einer einfachen mathematischen Welt mit Einschränkungen zu arbeiten, die es ihm ermöglichten, eine bessere Theorie als Guzmans Programm zu entwickeln. Das Video untersucht das Vokabular, das verwendet wird, um Linien und Knoten in Zeichnungen zu katalogisieren und zu kategorisieren, die Möglichkeit, fünf Oktanten mit Dingen zu füllen, und die Verwendung von Einschränkungen, um Objekte auf Konstruierbarkeit zu testen. Das Video erörtert auch die Herausforderung bei der Verwendung von Beschriftungen zur Interpretation von Strichzeichnungen, den Waltz-Algorithmus und den Prozess des Umgangs mit Gabelscheitelpunkten bei der Zeichnungsanalyse. Die in diesem Projekt entwickelten Beschränkungen finden Anwendung bei der Lösung von Problemen mit vielen Beschränkungen, wie z. B. Kartenfärbung und Zeitplanung.
symmetrisches Gegenteil der blauen Perspektive. Der Sprecher untersucht ferner Scheitelpunkte, die gabelförmige und L-förmige Verbindungen erzeugen können, sowie verdeckende Objekte, die T-Formen mit der verbleibenden Linie als Grenze erzeugen können. Abschließend erwähnt der Referent, dass Knoten mit sechs Flächen auch entstehen können, wenn Objekte an einem Punkt zusammentreffen.
Vorlesung 8. Einschränkungen: Suche, Domänenreduktion
8. Einschränkungen: Suche, Domain-Reduktion
In diesem Video wird das Konzept der Einschränkungen bei der Problemlösung erörtert, insbesondere im Zusammenhang mit der Suche und der Reduzierung von Domänen. Der Referent zeigt am Beispiel der Zuweisung von Farben zu Bundesstaaten auf einer Landkarte, wie Beschränkungen genutzt werden können, um Möglichkeiten einzugrenzen, bevor überhaupt mit der Suche begonnen wird. Der Referent untersucht auch verschiedene Ansätze zum Umgang mit Einschränkungen, wie z. B. Aufgaben nur zu prüfen oder alles zu berücksichtigen, und stellt das Konzept der Ressourcenplanung als eine weitere Anwendung der auf Einschränkungen basierenden Problemlösung vor. Insgesamt bietet das Video einen umfassenden Überblick darüber, wie Constraints genutzt werden können, um komplexe Probleme effizient zu lösen.