Machine Learning an der Universität Hamburg

Karteikarten und Zusammenfassungen für Machine Learning an der Universität Hamburg

Arrow Arrow

Komplett kostenfrei

studysmarter schule studium
d

4.5 /5

studysmarter schule studium
d

4.8 /5

studysmarter schule studium
d

4.5 /5

studysmarter schule studium
d

4.8 /5

Lerne jetzt mit Karteikarten und Zusammenfassungen für den Kurs Machine Learning an der Universität Hamburg.

Beispielhafte Karteikarten für Machine Learning an der Universität Hamburg auf StudySmarter:

What happens when you get a training error e = 0?



Beispielhafte Karteikarten für Machine Learning an der Universität Hamburg auf StudySmarter:

When you are training a SL model, how do you decide when to stop training?

Beispielhafte Karteikarten für Machine Learning an der Universität Hamburg auf StudySmarter:

In linear regression, what happens, when you add more terms to your model?

Beispielhafte Karteikarten für Machine Learning an der Universität Hamburg auf StudySmarter:

What values are given to the parameters vector θ initially? Why?

Beispielhafte Karteikarten für Machine Learning an der Universität Hamburg auf StudySmarter:

Use of logistic functions in logistic Regression

Beispielhafte Karteikarten für Machine Learning an der Universität Hamburg auf StudySmarter:

Definition: 

Dimensionaly Reduction

Beispielhafte Karteikarten für Machine Learning an der Universität Hamburg auf StudySmarter:



Why is dimension reduction useful in machine learning?


Beispielhafte Karteikarten für Machine Learning an der Universität Hamburg auf StudySmarter:

Definition: PCA

Beispielhafte Karteikarten für Machine Learning an der Universität Hamburg auf StudySmarter:

GDA Algorithm

Beispielhafte Karteikarten für Machine Learning an der Universität Hamburg auf StudySmarter:

How is the Return defined in Reinforcement Learning?


Beispielhafte Karteikarten für Machine Learning an der Universität Hamburg auf StudySmarter:

MAIN DIFFERENCES BETWEEN:

Dynamic Programming methods (DP) and Temporal Difference methods (TP)?


Beispielhafte Karteikarten für Machine Learning an der Universität Hamburg auf StudySmarter:

Difference:  

BATCH-Gradient and STOCHASTIC Gradient Algorithm

Kommilitonen im Kurs Machine Learning an der Universität Hamburg. erstellen und teilen Zusammenfassungen, Karteikarten, Lernpläne und andere Lernmaterialien mit der intelligenten StudySmarter Lernapp. Jetzt mitmachen!

Jetzt mitmachen!

Flashcard Flashcard

Beispielhafte Karteikarten für Machine Learning an der Universität Hamburg auf StudySmarter:

Machine Learning

What happens when you get a training error e = 0?



››› the algorithm has found a function that every training data sample does match

››› this will usually (not always) lead to overfitting, so the results won't generalize on future samples very well

Machine Learning

When you are training a SL model, how do you decide when to stop training?

Possible Methods:

1. when the training error is below a certain treshold and the testing error is increasing again 

(good method to provide overfitting) ››› ideally, one takes a saved model from before the testing error increased again

2. Cross Validation



Machine Learning

In linear regression, what happens, when you add more terms to your model?

With more parameters, the model will be able to adapt to the training set better

!!! but especially on small training sets, this will lead to overfitting.


ANDERE ANTWORT: 

The model will suffer from larger variance but smaller bias ( the curve fits the data perfectly, but will not reflect the wider pattern of the relationship... (overfitting??)

Machine Learning

What values are given to the parameters vector θ initially? Why?

VALUES: you can initialize θ randomly (f. ex. values between -0.5 and 0.5)


WHY?

the initialization is arbitrary (willkürlich) and will be refined (verbessern) iteratively ››› The parameters are going to be modified during the trainingprocess.

Machine Learning

Use of logistic functions in logistic Regression


›› used to model how the probability p of an event

may be affected by one or more explanatory variables.
››› used to force the output values on the interval [0, 1] which makes them probabilistic. 

››› Also it’s a simple way to introduce non-linearity to the model.


Machine Learning

Definition: 

Dimensionaly Reduction

Process of reducing the number of random variables under consideration by obtaining a set of principal variables


Approaching (Ansätze):

(1) feature selection

(2) feature extraction (f.ex. PCA)

Machine Learning



Why is dimension reduction useful in machine learning?


Computations with high-dimensional data is complex and it takes up a lot of time and storage space

Machine Learning

Definition: PCA

Principle component analysis

››› Method to reduce the number of dimensions without loss of many information

Machine Learning

GDA Algorithm

Gaussian Discriminant Algorithm

››› type of linear Distribution


(1) Given:  training set of multiple labeled classes that can be approximated by a normal distribution.

(2) For each class: compute the variance σ2 and the mean μ to define a normal distribution that approximates the class’ distribution.

(3) When we want to classify a sample from the testing set as associated to one of the classes: we use a discriminant function, that calculates the probability for each class’ normal distribution that the sample belongs to it and select the class with the highest probability as the affinity class.


››› parameters that have to be estimated before we can determine the Probabilities are: 

1. parameters φ

2. Covariance Matrix ∑ 

3. Means of the Gaussian distributions: µ0 and µ1



Machine Learning

How is the Return defined in Reinforcement Learning?


Return = sum of rewards over a sequence of steps

There are Returns in:

1. episodic tasks

2. continuing tasks

Machine Learning

MAIN DIFFERENCES BETWEEN:

Dynamic Programming methods (DP) and Temporal Difference methods (TP)?


???? 

Dynamic Programming methods (DP):

 • Does not sample (sampling = the update does not involve an expected value)

• requires a model of environment

• you don't need to perform the action with the agent, you can determine the reward based only on probabilities


Temporal Difference methods (TP)

• samples 

• does not require a model of the enviroment, only experience : The agend needs to actually execute the action

• is iterative

Machine Learning

Difference:  

BATCH-Gradient and STOCHASTIC Gradient Algorithm

BATCH-Gradient  ››› updates the θ in one iteration-step by taking the sum of all the input-values

STOCHASTIC Gradient ››› updates the θ by looping over all points and updating it for every value iterativly


Melde dich jetzt kostenfrei an um alle Karteikarten und Zusammenfassungen für Machine Learning an der Universität Hamburg zu sehen

Singup Image Singup Image
Wave

Andere Kurse aus deinem Studiengang

Für deinen Studiengang Machine Learning an der Universität Hamburg gibt es bereits viele Kurse auf StudySmarter, denen du beitreten kannst. Karteikarten, Zusammenfassungen und vieles mehr warten auf dich.

Zurück zur Universität Hamburg Übersichtsseite

Was ist StudySmarter?

Was ist StudySmarter?

StudySmarter ist eine intelligente Lernapp für Studenten. Mit StudySmarter kannst du dir effizient und spielerisch Karteikarten, Zusammenfassungen, Mind-Maps, Lernpläne und mehr erstellen. Erstelle deine eigenen Karteikarten z.B. für Machine Learning an der Universität Hamburg oder greife auf tausende Lernmaterialien deiner Kommilitonen zu. Egal, ob an deiner Uni oder an anderen Universitäten. Hunderttausende Studierende bereiten sich mit StudySmarter effizient auf ihre Klausuren vor. Erhältlich auf Web, Android & iOS. Komplett kostenfrei. Keine Haken.

Awards

Bestes EdTech Startup in Deutschland

Awards
Awards

European Youth Award in Smart Learning

Awards
Awards

Bestes EdTech Startup in Europa

Awards
Awards

Bestes EdTech Startup in Deutschland

Awards
Awards

European Youth Award in Smart Learning

Awards
Awards

Bestes EdTech Startup in Europa

Awards