Wir trainieren nur bergab?
- 00:00:00 Start
- 00:00:56 Aktivierungs-funktionen
- 00:01:41 Sigmoid
- 00:02:13 Tangens Hyperbolicus
- 00:02:36 ReLU
- 00:03:21 Backpropagation
- 00:05:10 Epochen
- 00:05:57 Learning Rate
- 00:07:08 Hyperparameter
- 00:07:52 Zusammenfassung
| Zugehörige Institution(en) am KIT | Institut für Technik der Informationsverarbeitung (ITIV) Universität Karlsruhe (TH) – Zentrale Einrichtungen (Zentrale Einrichtungen) Zentrum für Mediales Lernen (ZML) |
| Publikationstyp | Audio & Video |
| Publikationsdatum | 19.10.2021 |
| Erstellungsdatum | 20.09.2021 |
| Sprache | Deutsch |
| DOI | 10.5445/IR/1000139097 |
| Identifikator | KITopen-ID: 1000139097 |
| Lizenz | Creative Commons Namensnennung – Weitergabe unter gleichen Bedingungen 4.0 International |
| Bemerkung zur Veröffentlichung | In diesem Video wird die Funktionsweise von neuronalem Netzen für die Regression im Detail betrachtet. Konkret werden die drei bekannte Aktivierungsfunktionen Sigmoid, Tangens Hyperbolicus und ReLU behandelt und der Backpropagation Algorithmus zum Optimieren von Bias und Gewichten anschaulich am Beispiel eines „blinden“ Bergabstiegs erklärt. Des Weiteren werden die wichtigsten Hyperparameter von neuronalen Netzen behandelt, die Performanz und Trainingsdauer des Netzes elementar beeinflussen können. |
| Serie | Angewandte Machine Learning Algorithmen (AMALEA) |
| Folge | 14 |